Modelado simulacion y optimizacion de procesos quimicos_-_n_scenna
Upcoming SlideShare
Loading in...5
×
 

Modelado simulacion y optimizacion de procesos quimicos_-_n_scenna

on

  • 226 views

 

Statistics

Views

Total Views
226
Views on SlideShare
225
Embed Views
1

Actions

Likes
0
Downloads
13
Comments
0

1 Embed 1

http://www.slideee.com 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Modelado simulacion y optimizacion de procesos quimicos_-_n_scenna Modelado simulacion y optimizacion de procesos quimicos_-_n_scenna Document Transcript

  • MODELADO, SIMULACIÓN Y OPTIMIZACIÓN DE PROCESOS QUÍMICOS Autor-Editor: Dr. Nicolás José SCENNA AUTORES Dr. Pío Antonio Aguirre Dra. Sonia Judith Benz Dr. Omar Juan Chiotti Dr. H. José Espinosa Ing. Marta Beatriz Ferrero Dr. Jorge Marcelo Montagna Ing. Miguel C. Mussati Ing. Gustavo Alberto Pérez Ing. Jorge Rodríguez Dr. Héctor Enrique Salomone Dr. Alejandro S. M. Santa Cruz Dr. Enrique Eduardo Tarifa Dr. Jorge Vega
  • A la memoria de mi padre. A mi esposa Adriana, un agradecimiento por su permanente apoyo. A mis maestros, colegas y alumnos.
  • AGRADECIMIENTOS: - A la Universidad Tecnológica Nacional y a la Facultad Regional Rosario, que apoyaron a través de sus autoridades, con su permanente aliento, la concreción de esta obra. - A los demás autores, que colaboraron desinteresadamente y con gran entusiasmo. - A Silvina Antille, Beatriz Gómez y Carlos Ruiz, todos ellos de INGAR, sin cuya colaboración en el mecanografiado y la confección de los gráficos esta obra no hubiese podido concretarse. Un infinito agradecimiento por su colaboración y paciencia. - A los becarios y demás integrantes del GIAIQ, Dto. de Ing. Qca. de la UTN-FRR, por su colaboración y comentarios, y en especial a Miguel Muñoz, Gastón Cassaro y Verónica Ponzetti. - A Alejandro Santa Cruz y Sonia Benz, por su gran ayuda en el ordenamiento final de texto, ecuaciones y figuras, además de la supervisión del contenido.
  • SOBRE LOS AUTORES Dr. Pío Antonio Aguirre Ingeniero Químico de la Facultad de Ing. Química, Universidad Nacional del Litoral. Doctor en Ingeniería Química de la Universidad Nacional de Litoral-Santa Fe. Investigador Adjunto de CONICET en INGAR, Instituto de Desarrollo y Diseño. Profesor Adjunto en la Facultad de Ing. Química, Universidad Nacional del Litoral. Dra. Sonia Judith Benz Ingeniera Química de la Facultad Regional Rosario, Universidad Tecnológica Nacional. Doctora en Ingeniería Química de la Universidad Nacional del Litoral-Santa Fe. Profesor Adjunto, en la Facultad Regional Rosario, Universidad Tecnológica Nacional. Dr. Omar Juan Chiotti Ingeniero Químico de la Facultad Regional Villa María , Universidad Tecnológica Nacional. Doctor en Ingeniería Química en la Universidad Nacional de Litoral-Santa Fe. Investigador Asistente de CONICET en INGAR, Instituto de Desarrollo y Diseño. Profesor Adjunto en la Facultad Regional Santa Fe, Universidad Tecnológica Nacional. Dr. H. José Espinosa Ingeniero Químico de la Facultad Regional Córdoba, Universidad Tecnológica Nacional. Doctor en Ingeniería Química de la Universidad Nacional del Litoral-Santa Fe. Investigador asistente de CONICET en INGAR, Instituto de Desarrollo y Diseño. Ing. Marta Beatriz Ferrero Ingeniera Química de la Facultad Regional Villa María, Universidad Tecnológica Nacional. Jefe Trabajos Prácticos de la Cátedra Investigación Operativa II de la Carrera en Sistema de Información-Facultad Regional Santa Fe, Universidad Tecnológica Nacional. Dr. Jorge Marcelo Montagna Licenciado en Matemática Aplicada de la Facultad de Ingeniería Química, Universidad Nacional del Litoral. Doctor en Tecnología Química de la Universidad Nacional del Litoral-Santa Fe. Investigador Adjunto del CONICET en INGAR, Instituto de Desarrollo y Diseño. Profesor Adjunto en la Facultad Regional Santa Fe, Universidad Tecnológica Nacional. Profesor Titular en ICES-Sunchales. Ing. Miguel Mussati Ingeniero Químico de la Facultad Regional Villa María , Universidad Tecnológica Nacional. Becario de Perfeccionamiento de CONICET en INGAR, Instituto de Desarrollo y Diseño. Ing. Gustavo Alberto Pérez
  • Ingeniero Químico de la Facultad de Ingeniería Química, Universidad Nacional del Litoral. Investigador Independiente de CONICET en INGAR, Instituto de Desarrollo y Diseño. Profesor Titular en la Facultad de Ingeniería Química, Universidad Nacional del Litoral. Ing. Jorge Rodríguez Ingeniero Químico de la Facultad Regional Rosario, Universidad Tecnológica Nacional. Profesor Titular en la Facultad Regional Rosario, Universidad Tecnológica Nacional. Dr. Héctor Enrique Salomone Ingeniero Químico de la Facultad de Ingeniería Química, Universidad Nacional del Litoral Doctor en Ingeniería Química en la Universidad Nacional del Litoral-Santa Fe Investigador Asistente de CONICET en INGAR, Instituto de Desarrollo y Diseño. Profesor Adjunto en la Facultad Regional Santa Fe, Universidad Tecnológica Nacional. Dr. Alejandro Santiago M. Santa Cruz Licenciado en Física de la Facultad de Ciencias Exactas e Ingeniería, Universidad Nacional de Rosario Doctor en Tecnología Química en la Universidad Nacional del Litoral-Santa Fe. Profesor Adjunto en la Facultad Regional Rosario, Universidad Tecnológica Nacional. Dr. Nicolás José Scenna Ingeniero Químico de la Facultad Regional Rosario, Universidad Tecnológica Nacional. Doctor en Ingeniería Química de la Universidad Nacional del Litoral - Santa Fe. Investigador Adjunto de CONICET en INGAR, Instituto de Desarrollo y Diseño. Profesor Titular de la Facultad Regional Rosario, Universidad Tecnológica Nacional. Dr. Enrique Eduardo Tarifa Ingeniero Químico de la Facultad de Ingeniería ,Universidad Nacional de Jujuy (UNju). Doctor en Ingeniería Química de la Universidad Nacional del Litoral - Santa Fe. Profesor Adjunto en la Facultad de Ingeniería, Universidad Nacional de Jujuy Investigador de CONICET en la Universidad Nacional de Jujuy (UNJu). Dr. Jorge Vega Ingeniero Electricista, Universidad Nacional de la Plata. Doctor en Tecnología Química, Universidad Nacional del Litoral-Santa Fe. Investigador Asistente de CONICET en INTEC, Instituto de Desarrollo Tecnológico para la Industria Química Profesor Adjunto en la Facultad Regional Santa Fe, Universidad Tecnológica Nacional.
  • i PROLOGO El propósito de esta obra es brindar una introducción al modelado, simulación y optimización de procesos químicos. Esta idea, que ha madurado desde hace tiempo, se cataliza por la necesidad de disponer de bibliografía básica actualizada con relación al nuevo programa de la carrera de ingeniería química implementado recientemente en la Universidad Tecnológica Nacional. El contenido y configuración del libro se han diagramado poniendo énfasis en la simulación de procesos químicos tanto estacionarios como dinámicos, al mismo tiempo que se introduce al lector en áreas fundamentales para afrontar la tarea del diseño y modelado integral de procesos químicos. Por otra parte, además de los modelos de equipos más convencionales o clásicos se incorporan ejemplos específicos en varios campos, enfoque que no es habitual en este tipo de obras, tratando en nuestro caso de advertir al lector acerca de la necesidad de comprender los fundamentos del modelado de procesos, ya que probablemente, y pese a la cantidad de simuladores comerciales de propósitos generales existentes o por desarrollarse, en su carrera profesional deberá enfrentarse a la tarea de implementar “su” propio prototipo de modelo, aunque más no sea de equipos muy particulares del proceso a analizar. Al realizar una obra de este tipo desde el comienzo se tropieza con un problema transcendente. Qué áreas enfatizar durante su desarrollo?. Es sabido que en la disciplina de simulación convergen diversas corrientes del saber, como el análisis de los métodos numéricos para la solución de ecuaciones tanto algebraicas como diferenciales, el modelado de procesos, operaciones unitarias y fenómenos de transporte, estimación de propiedades fisicoquímicas, etc. Además de los fundamentos, resulta claro que el área informática está íntimamente relacionada con la implementación de los programas específicos de simulación, y en particular, con los grandes sistemas de simulación de procesos químicos en general. El campo de los sistemas de información aplicados a la ingeniería de procesos ha crecido enormemente en esta última década. Actualmente, el problema principal radica en la compatibilidad de todas las herramientas generadas (para las más diversas aplicaciones y en los entornos más disímiles), para crear un sistema versátil, eficiente, y capaz de integrar tanto las herramientas de diseño y simulación como las de finanzas, mantenimiento, control, supervisión del proceso, bases de datos de clientes, stocks, etc. Sin duda, esta es una tarea muy compleja que si bien evolucionará lentamente, proveerá en un futuro cercano una herramienta informática muy
  • ii poderosa para elmanejo de procesos tanto en la etapa de diseño como en la de operación (tiempo real). Dentro de este contexto, cada ítem mencionado más arriba puede por sí solo justificar un volumen independiente. El objetivo y aspiración principal es plantear una síntesis adecuada que logre introducir al alumno de grado a toda la temática expuesta, pero enfatizando en el tema central del libro, cual es el modelado y simulación de procesos químicos. Esta obra está fundamentalmente dedicada a la carrera de grado, aunque se encuentra en el volumen suficiente material de interés para un curso de posgrado, al menos en los aspectos introductorios de varios tópicos esenciales dentro del contexto del modelado y la simulación de procesos químicos. En función de lo expuesto, se pretende lograr con esta contribución, una obra que abarque aspectos aunque sea un nivel introductorio de temas muy importantes en el área de la simulación en ingeniería química; no suficientemente abordados al presente por otros textos, por ejemplo procesos biológicos específicos y el tratamiento de procesos batch, ya que la industria farmacológica, de alimentos, químicos en general, y otras muchas, tendrán próximamente un protagonismo importante en nuestra región. Abarcar la temática de simulación de procesos en un libro de carácter general como el presente, sin antes reflexionar claramente acerca del origen del diagrama a analizar, es decir el porqué de la estructura a simular de tal forma de lograr la transformación deseada partiendo de las materias primas para llegar a los productos, es conceptualmente cuestionable. En efecto, si bien todavía hoy debemos considerar a la tarea de generar un flowsheet general a partir de la idea básica más un arte que una metodología sistemática (y por lo tanto implementable en un algoritmo computacional), no puede evitarse una introducción a la síntesis de procesos, a los efectos de familiarizar al lector con metodologías que permiten generar diagramas o estructuras para lograr un proceso óptimo. Al respecto, conviene resaltar que en general el alumno se forma en nuestros ámbitos universitarios considerando al diagrama de flujos del proceso como una suerte de estructura “que nos viene dada” y que se debe adoptar como tal. En este libro, se resalta a la etapa de simulación como una más dentro del ciclo de actividades secuenciales para el diseño del proceso, y no como la herramienta para el diseño. Desde elpunto de vista de las tendencias, se puede vislumbrar -a juzgar por los trabajos publicados recientemente- que el futuro de la simulación (o al menos las grandes avenidas del
  • iii desarrollo en la próxima década) pasa por la simulación dinámica, y en segundo término, por la simulación cualitativa, es decir, simulación de tendencias y propagaciones de perturbaciones en elproceso. De ambos campos se deriva una gran actividad para elingeniero de procesos dedicado al control, a la supervisión de procesos, a la diagnosis de fallas, a la optimización en tiempo real, etc. Paralelamente, la flexibilidad de los futuros simuladores permitirá muy fácilmente al usuario incorporar sus propios modelos. Siempre existirá la necesidad de los mismos. Basta mencionar que en cada proceso se dispondrá muy probablemente de un equipo específico (por ejemplo el reactor) cuyas características serán siempre particulares, y por lo tanto no disponible como un programa “encapsulado o enlatado” en un simulador comercial. Además, en simulación dinámica, para lograr resultados muy aproximados a la realidad (por ejemplo al simular políticas de arranque o parada, modos de falla del equipo, etc), se deberán utilizar modelos en los cuales muchas características de diseño del equipo sean contempladas. Estos modelos pueden o no estar disponibles en un simulador de uso general. Por lo tanto, nuevamente llegamos a la conclusión que frecuentemente será necesario modelar nuestros propios equipos e incorporarlos al simulador. Luego, será indispensable conocer conceptualmente cómo hacerlo, y con qué herramientas debemos enfrentar la tarea. En este punto, es importante lograr que el alumno extraiga conclusiones acerca de la siguiente reflexión: No es lo mismo ser un excelente operador de un simulador comercial (conocer todas las opciones disponibles, cómo imprimir resultados, cómo ingresar en forma rápida los datos, etc.) que conocer cómo programar módulos para el mismo, qué métodos fisicoquímicos utilizar para cada problema, cuándo se podrían esperar múltiples estados estacionarios en la simulación de torres de destilación, etc.; ypara esto, resulta indispensable una adecuada formaciónteórica, que es uno de los objetivos de esta obra.
  • iv ESTRUCTURA Y CONTENIDO Estructuralmente, el presente volumen está compuesto por veintiún capítulos, cada uno de ellos diagramado en forma independiente, con una individualidad temática para que cada tema pueda ser consultado específicamente. Sin embargo, están ordenados secuencialmente de tal manera de facilitar a quien lo desee una introducción autodidáctica al modelado, optimización y simulación de procesos químicos. Para un curso específico de simulación de procesos los dos primeros capítulos podrían ser obviados, comenzando directamente con la introducción a los métodos numéricos para resolver sistemas de ecuaciones no lineales. También puede considerarse o no la simulación dinámica y en tiempo real (Capítulos XIII al XVIII, y XXI), o la incorporación o no de elementos de optimización en estado estacionario (Capítulos XI y XII). Por último, para lograr una breve introducción conceptual al problema global del modelado de procesos químicos, es recomendable cubrir todos los capítulos. Dentro de este contexto, el Capítulo I contiene una breve introducción a las diversas herramientas y métodos para el modelado de procesos; mientras que en el Capítulo II se brinda una somera introducción a la síntesis de procesos químicos. Se plantean los conceptos asociados a la generación de un flowsheet o diagrama de flujos. Para ello se introduce el concepto de optimización, tanto teniendo en cuenta variables operacionales como estructurales. Seguidamente, una vez logrado (o propuesto) el diagrama de flujos, se introducen los objetivos que persigue la tarea de simulación del proceso. Por otra parte, se muestra la importancia de la simulación estacionaria o dinámica en las distintas etapas de la concreción de un proyecto de planta química, a los efectos de fijar ideas acerca del uso común de las herramientas informáticas, y en especial los diversos tipos de simuladores, en la tarea del ingeniero químico. En el Capítulo III se desarrolla una introducción a los métodos numéricos para la solución de sistemas de ecuaciones algebraicas, enfatizando los sistemas no lineales, y los métodos más comunes utilizados en la solución de modelos en ingeniería química. En el Capítulo IV se discuten los aspectos específicos para la solución de sistemas de ecuaciones no lineales de elevada dimensiónypoco densos (matriz de coeficientes rala). También se desarrollan someramente los conceptos de particionado, rasgado yordenamiento, a los efectos de introducir al lector a los métodos y técnicas iterativas utilizadas en los simuladores, ya sea globales o modulares secuenciales. En el Capítulo V se presenta una introducción al concepto de simulación de procesos,
  • v haciendo hincapié enlos procesos químicos. Se planteanlos aspectos ydefiniciones conceptuales, como así también una clasificación de los simuladores, destacando las diversas filosofías o arquitecturas para el diseño de los mismos. En el Capítulo VI se presentan algunas ideas acerca de los componentes básicos de un simulador de procesos químicos, enfatizando los simuladores modulares secuenciales. También se destacan los aspectos del modelado de los equipos que representan las distintas operaciones unitarias, tomando un ejemplo sencillo que facilita la comprensión conceptual. En los Capítulos VII y VIII se introduce brevemente el problema de la estimación de propiedades fisicoquímicas. Se destaca la importancia de lograr un criterio para seleccionar el método adecuado de estimación para lograr resultados apropiados. Se hace hincapié en los principales métodos para la estimación de la constante de equilibrio y entalpías en mezclas multicomponentes. En el Capítulo IX se desarrolla el modelo de simulación para un equipo de separación por evaporación flash. Se analizan diversas opciones de operación, tales como sistemas adiabáticos, isotérmicos, equilibrio líquido-vapor, líquido-líquido y líquido-líquido-vapor. Se destaca además, la íntima relación que existe entre el modelado de este equipo y los cálculos de temperatura de burbuja y rocío, y por último, la determinación de las fases presentes dadas las composiciones, la temperatura y la presión asociadas a una mezcla. En el Capítulo X se analizarán algunos de los métodos que se han propuesto para la simulaciónenestado estacionario de equipos de separaciónmulticomponente enmúltiples etapas, en contracorriente. Se enfatizan los métodos semi-rigurosos y rigurosos, por ser los más utilizados y convenientes para la mayoría de los casos prácticos. Se discuten algunas características de los problemas de separación de mezclas no ideales, por ejemplo la posibilidad de obtener múltiples soluciones. En el Capítulo XI se introducen los principios elementales para la optimización de funciones, de una variable y multivariable, sin o con restricciones, ya sean éstas de igualdad o desigualdad, lineales o no lineales. Se destaca además la necesidad de plantear el problema de diseño desde un punto de vista de la optimización, y su relación con la simulación estacionaria de procesos. En el Capítulo XII se explica brevemente la aplicación de métodos numéricos para incorporar almodelo de simulación estacionaria (ya sea modular secuencialo global) una función objetivo a optimizar, especificando determinadas variables de optimización. Se enfatizan los simuladores modulares secuenciales. En el Capítulo XIII se realiza una introducción a los métodos numéricos clásicos
  • vi disponibles para resolver sistemas de ecuaciones diferenciales ordinarias, enfatizando además el problema de los sistemas stiff. En el Capítulo XIV se describe el modelado de equipos sencillos y se comentan brevemente los aspectos relacionados a la construcción de simuladores dinámicos. Se analiza también el módulo para la simulación de un equipo flash, ya tratado desde el punto de vista estacionario en el Capítulo IX. En elCapítulo XV se desarrollan modelos dinámicos para operaciones unitarias típicas de separación de mezclas multicomponentes, por ejemplo una torre de destilación, con el objeto de compararlos con los métodos similares para simulación estacionaria discutidos en el capítulo X. Se discuten algunas aplicaciones del modelo. En el Capítulo XVI se analizan someramente algunas aplicaciones de la simulación dinámica al control de procesos, destacándose nociones elementales acerca de la simulación de sistemas a lazo abierto o cerrado, sistemas simples de control, etc. En el Capítulo XVII se analizan módulos de simulación dinámica para sistemas específicos. Aquí se destaca la importancia de adquirir habilidad para modelar diversos problemas, debido a la imposibilidad de lograr, a través de un simulador de propósito general, la cobertura de todos los casos. Se trata de demostrar, a través de los ejemplos, que ya sea por el tipo de operación o simular, o bien, por la rigurosidad y el grado de detalle necesarios, existirá siempre la potencial necesidad de desarrollar modelos propios. En el Capítulo XVIII se analiza otro caso específico, en el cual resulta evidente la necesidad planteada en el capítulo anterior. En efecto el problema de lograr un simulador apropiado para los reactores biológicos en general está lejos (al igual que cualquier reactor) de poder ser generalizado en forma sencilla y eficaz. En el Capítulo XIX se explica brevemente la simulación de procesos batch y la problemática asociada para tratar plantas multiproducto y multipropósito, las cuales poseen características bien distintas a los procesos continuos. Por último, se plantea el problema de la simulación de procesos semicontinuos y se introduce al lector en el campo de la simulación discreta. En el Capítulo XX se discuten algunos aspectos asociados a la medición y estimación de parámetros en un proceso, el problema del ruido en las mediciones y su tratamiento, así como también el problema de la reconciliación de datos en plantas de proceso. Por último, en el Capítulo XXI se introduce al concepto de simulación dinámica en tiempo real. Se comentan los aspectos específicos a tener en cuenta para diseñar estos simuladores, y se ejemplifican por medio de la construcción de un prototipo para un proceso
  • vii simple de pasteurización de leche.
  • viii MODELADO, SIMULACIÓN Y OPTIMIZACIÓN DE PROCESOS QUÍMICOS ÍNDICE TEMÁTICO CAPITULO I: “INTRODUCCIÓN A LOS MÉTODOS INFORMÁTICOS APLICADOS AL MODELADO EN INGENIERÍA” I.1. INTRODUCCIÓN 1 I.2. EVOLUCIÓN HISTÓRICA 3 I.3. MÉTODOS NUMÉRICOS COMO HERRAMIENTA PARA EL MODELADO DE PROCESOS EN INGENIERÍA QUÍMICA 5 I.4. MODELOS “NO CONVENCIONALES” 9 I.5. SISTEMAS DE GERENCIAMIENTO DE INFORMACIÓN 22 I.6. PARADIGMAS INFORMÁTICOS 25 PROBLEMAS PROPUESTOS 27 BIBLIOGRAFÍA RECOMENDADA 28 CAPITULO II: "INTRODUCCIÓN AL DISEÑO DE PROCESOS QUÍMICOS. BREVES NOCIONES" II.1. INTRODUCCIÓN 29 II.2. ETAPAS EN LA TAREA DE DISEÑO 33 II.3. LA TAREA DE SÍNTESIS DE PROCESOS QUÍMICOS 36 II.3.1. Síntesis de la red de intercambiadores 43 II.3.2. Síntesis de sistemas de separación 52 II.4. EJ.: BREVE NOCIÓN DE TÉCNICA DE SÍNTESIS APLICADAS A UN PROCESO DE DESALACIÓN DE AGUAS DE MAR 62 II.5. ETAPAS EN LA INGENIERÍA DE PROCESOS 75
  • ix PROBLEMAS PROPUESTOS 78 BIBLIOGRAFÍA CITADA O RECOMENDADA 79 CAPITULO III: “REVISIÓN DE MÉTODOS NUMÉRICOS APLICABLES EN SIMULACIÓN DE PROCESOS EN ESTADO ESTACIONARIO” III.1. CONCEPTOS BÁSICOS 83 III.2. MÉTODOS BÁSICOS. DISCUSIÓN DE LA CONVERGENCIA 84 III.3. PRINCIPALES MÉTODOS 85 III.3.1. El método de Bisección 85 III.3.2. Métodos de Newton-Raphson. Usos de la Derivadas de la Función 89 III.3.3. Sustitución directa o Aproximación Sucesivas 91 III.3.4. Procedimiento de Wegstein 93 III.3.5. Uso de Fracciones Continuadas 95 III.4. SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES SIMULTANEAS 98 III.4.1. Planteo del Problema. Teoremas Básicos 98 III.4.2. Métodos Directos 100 III.4.3. Métodos Iterativos 106 PROBLEMAS PROPUESTOS 109 BIBLIOGRAFÍA RECOMENDADA 114 CAPITULO IV:” SISTEMAS DE ECUACIONES DE GRAN DIMENSIÓN Y POCO DENSOS” IV.1. INTRODUCCIÓN 117 IV.2. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES NO LINEALES 117 IV.2.1. Métodos de Newton-Raphson. linealización 118 IV.2.2. Matrices tridiagonales. Método de Thomas 125 IV.2.3. Extensión del método de Thomas a matrices tridiagonales en Bloque 128
  • x IV.2.4. Método de sustitución directa o aproximaciones sucesivas 130 IV.3. ANÁLISIS ESTRUCTURAL DE SISTEMAS DE ELEVADA DIMENSIÓN 135 IV.3.1. Algoritmo de Steward para la determinación del conjunto de salida 136 IV.3.2. Especificaciones de Variables y Grados de Libertad de un Sistema de Ecuaciones 140 IV.3.3. Algoritmos para selección de Variables a Especificar 144 IV.3. 4. Sistemas cíclicos 155 IV.4. ALGORITMOS DE PARTICIONADO, RASGADO Y ORDENAMIENTO. ARQUITECTURA MODULAR SECUENCIAL 159 IV.5. MÉTODO DE PARTICIONADO DE NORMAN (1965) 164 IV.6. ALGORITMO DE PARTICIONADO DE KEHAM Y SHACHAM 166 IV.7. RASGADO DEL DIAGRAMA DE FLUJOS O GRAFO 170 V.8. ALGORITMO DE BARKELEY Y MOTARD (1972) 172 IV.9. ETAPA DE ORDENAMIENTO 177 PROBLEMAS PROPUESTOS 186 BIBLIOGRAFÍA CITADA 189 BIBLIOGRAFÍA RECOMENDADA 189 CAPITULO V: “SIMULACIÓN DE PROCESOS QUÍMICOS” V.1. INTRODUCCIÓN 191 V.2. CLASIFICACIÓN DE LOS MÉTODOS DE SIMULACIÓN 193 V.3. SIMULADORES DE PROCESOS QUÍMICOS COMPLEJOS 195 V.3.1. Simuladores de procesos en estado estacionario modulares secuenciales vs. Simuladores globales 196 PROBLEMAS PROPUESTOS 209 BIBLIOGRAFÍA CITADA O RECOMENDADA 212
  • xi CAPITULO VI: ” INTRODUCCIÓN A LAS CARACTERÍSTICAS DE UN SIMULADOR MODULAR SECUENCIAL” VI.1. ESTRUCTURA DE UN SIMULADOR MODULAR SECUENCIAL EN ESTADO ESTACIONARIO 213 VI.2. MODELADO DE EQUIPOS PARA SIMULACIÓN DE PROCESOS. PROGRAMACIÓN DE MÓDULOS DE SIMULACIÓN 226 VI.3. BREVE DESCRIPCIÓN DE LOS DISTINTOS MÓDULOS DE EQUIPOS PRESENTES EN UN SIMULADOR MODULAR DE PROCESOS QUÍMICOS 231 VI.4. ASPECTOS BÁSICOS A TENER EN CUENTA EN EL USO DE UN SIMULADOR DE PROCESOS MODULAR SECUENCIAL EN ESTADO ESTACIONARIO 239 BIBLIOGRAFÍA CITADA 243 BIBLIOGRAFÍA RECOMENDADA 243 CAPITULO VII: “ PROPIEDADES TERMODINÁMICA DE EQUILIBRIO” VII.1. INTRODUCCIÓN 245 VII.1.1. Sistemas termodinámicos 247 VII.1.2. Equilibrio líquido-vapor 248 VII.2. CORRELACIONES PARA LA ESTIMACIÓN DE LA PRESIÓN DE VAPOR 249 VII.2.1. Ecuación de Antoine 250 VII.2.2. Ecuación de Miller modificada 250 VII.2.3. Ecuación de Wagner 250 VII.2.4. Ecuación de Frost-Kalkwarf-Thodos 251 VII.2.5. Ecuación de Lee y Kesler 251 VII.2. 6. Ecuación de Gómez-Nieto y Thodos 252
  • xii VII.2.7. Estimación de presión de vapor de cortes de petróleo 259 VII.3. EQUILIBRIO LIQUIDO-VAPOR EN SISTEMAS SEMI-IDEALES 259 VII.3.1. Propiedades termodinámicas de mezclas ideales a bajas presiones 259 VII.3.2. Propiedades termodinámicas de mezclas ideales a presiones bajas a moderadas 260 VII.4. EQUILIBRIO DE FASES EN SISTEMAS NO IDEALES 264 VII.4.1. Teoría de soluciones regulares y correlaciones de Chao-Seader y Grayson- Streed 267 VII.4.2. Ecuaciones que describen coeficientes de actividad de la fase líquida 273 VII.4.3. Ecuación de Margules 274 VII.4.4. Ecuación de Van Laar 275 VII.4.5. Ecuación de Wilson 278 VII.4.6. Ecuación NRTL 281 VII.4.7. Ecuación UNIQUAC 285 VII.4.8. El método UNIFAC 288 VII.4.9. Uso de datos experimentales para calcular constantes 293 VII.4.9.1. Coeficientes de actividad a partir del azeótropo 293 VII.4.9.2. Coeficientes de actividad a partir de los datos de la curva de equilibrio líquido-vapor 293 VII.4.9.3. Coeficientes de actividad a partir de la discrepancia de energía libre 294 VII.4.9.4. Coeficientes de actividad a dilución infinita 295 VII.4.9.5. Correlación de Pierotti, Deal y Derr para estimar coeficientes de actividad a dilución infinita 296 VII.5. EQUILIBRIO LIQUIDO-VAPOR A ALTAS PRESIONES 296 VII.5.1. Modelos para la fase vapor a presiones altas 297 VII.5.2. Fenómenos críticos en las mezclas a altas presiones 298 VII.6. SELECCIÓN DEL MÉTODO PARA LA PREDICCIÓN DE PROPIEDADES DEL EQUILIBRIO LIQUIDO-VAPOR 301
  • xiii BIBLIOGRAFÍA CITADA O RECOMENDADA 302 CAPITULO VIII: “ ESTIMACIÓN DE PROPIEDADES TERMODINÁMICA” VIII.1. INTRODUCCIÓN 303 VIII.1.1. Entalpías de exceso 303 VIII.2. MÉTODOS PARA LA ESTIMACIÓN DEL CALOR LATENTE DE VAPORIZACIÓN 304 VIII.2.1. Correlaciones para calor latente de vaporización basadas en la ecuación de Clausius-Clapeyron 305 VIII. 2.2. Correlaciones para calor latente de vaporización basadas en la ley de estados correspondientes 308 VIII.2.3. Correlación de Pitzer modificada 308 VIII.2.4. Correlación de Riedel 309 VIII.2.5. Influencia de la temperatura en el calor latente de vaporización 311 VIII.2.6. Calor latente de vaporización de mezclas de líquidos 315 VIII.3. MÉTODOS PARA LA ESTIMACIÓN DE LA CAPACIDAD CALORÍFICA 316 VIII.3.1. Capacidad calorífica de gases ideales 316 VIII.3.2. Capacidad calorífica de mezclas de gases ideales 321 VIII.3.3. Capacidad calorífica de líquidos puros 321 VIII.3.3.1. Método de Rowlinson 322 VIII.3.3.2. Método de Missenard 322 VIII.3.3.3. Capacidad calorífica de mezclas de líquidos 323 VIII.4. DENSIDADES DE LÍQUIDOS 324 VIII.4.1. Densidades de líquidos puros 324 VIII.4.1.1. Densidad en el punto normal de ebullición 324 VIII.4.1.2. Correlación de Hankinson y Thomson 325 VIII.4.1.3. Método de Rackett modificado 327
  • xiv VIII.4.2. Densidades de mezclas de líquidos 328 VIII.5. ESTIMACIÓN DE PROPIEDADES TERMODINÁMICA DE TRANSPORTE 329 VIII.5.1. Viscosidad 330 VIII.5.1.1. Viscosidad de gases 330 VIII.5.1.2. Viscosidad de líquidos 332 VIII.5.2. Conductividad térmica de gases a baja presión 336 VIII.5.3. Conductividad térmica de mezclas de gases a baja presión 338 VIII.5.4. Conductividad térmica de líquidos 339 VIII.5.5. Coeficientes de difusión 341 BIBLIOGRAFÍA 343 CAPITULO IX: “ MODULO PARA LA SIMULACIÓN DE EVAPORADORES FLASH” IX.1. INTRODUCCIÓN 345 IX.2. FLASH ISOTÉRMICO 349 IX.3. FLASH ADIABÁTICO 355 IX.4. FLASH A FRACCIÓN DE VAPORIZACIÓN DADA 358 IX.5. OTRAS ESPECIFICACIONES PARA EL EQUIPO FLASH 359 IX.6. OTRAS APLICACIONES DE LOS ALGORITMOS PARA SIMULACIÓN DE EVAPORADORES FLASH 362 IX.6.1. Separadores líquido-líquido 362 IX.6.2. Temperatura de burbuja 364 IX.6.3. Temperatura de rocío 366 PROBLEMAS PROPUESTOS 369 BIBLIOGRAFÍA CITADA 372 BIBLIOGRAFÍA RECOMENDADA 372 CAPITULO X: ”MODELADO DE EQUIPOS DE SEPARACIÓN MULTICOMPONENTES EN CASCADAS CONTRACORRIENTE MÚLTIPLE ETAPA”
  • xv X.1. INTRODUCCIÓN 373 X.2. MÉTODOS DE RESOLUCIÓN APROXIMADOS 379 X.3. MÉTODOS ETAPA A ETAPA 380 X.4. MÉTODOS DE RESOLUCIÓN MATRICIALES (SEMI-RIGUROSOS) 382 X.5. MÉTODOS RIGUROSOS DE RESOLUCIÓN SIMULTANEA 392 X.5.1. Sistema de Ecuaciones 393 X.5.2. Estructura del jacobiano 401 X.5.3. Procedimiento numérico de resolución 406 X.5.4. Opciones estructurales 414 X.6. MÉTODOS JERÁRQUICOS CON DOS NIVELES DE ITERACIÓN (INSIDE-OUT) 423 X.7. MÉTODOS DE RELAJACIÓN 426 X.8. MÚLTIPLES SOLUCIONES EN EQUIPOS DE SEPARACIÓN MULTICOMPONENTE MÚLTIPLE ETAPA 426 PROBLEMAS PROPUESTOS 431 BIBLIOGRAFÍA CITADA 432 BIBLIOGRAFÍA RECOMENDADA 434 CAPITULO XI: “ OPTIMIZACIÓN ” XI.1. INTRODUCCIÓN 435 XI.2. FORMULACIÓN DEL MODELO 435 XI.2.1. EJEMPLO: Planificación de Producción de una Refinería 438 XI.2.1.1. Modelado del Ejemplo 439 XI.3. TEORÍA Y ALGORITMOS DE OPTIMIZACIÓN 441 XI.3.1. Programación Lineal 441 XI.3.1.1. Representación y Solución Gráfica de LP 442 XI.3.1.2. El algoritmo SIMPLEX 446 XI.3.2. Programación no lineal 448
  • xvi XI.3.2.1. Teoría clásica de la programación no lineal 449 XI.3.2.1.1. Programas matemáticos no condicionados 449 XI.3.2.1.2. Programas matemáticos condicionados por igualdades 452 XI.3.2.1.3. Problemas condicionados por desigualdades 454 XI.3.2.2. Algoritmos para resolver NLP 456 XI.3.2.2.1. Algoritmos para NLP Univariables sin Restricciones 456 XI.3.2.2.2. Algoritmos para NLP sin Restricciones Multivariables 461 XI.3.2.2.3. Algoritmos para NLP con restricciones 475 EJERCICIOS PROPUESTOS 489 BIBLIOGRAFIA 492 APÉNDICE 493 CAPITULO XII: “OPTIMIZACIÓN DE PROCESOS POR COMPUTADORA” XII.1. INTRODUCCIÓN 497 XII.2. EJEMPLOS 500 XII.2.1. Diseño de un absorbedor 500 XII.2.2. Diseño de una planta completa 501 XII.2.3. Un problema de optimización con óptimos locales 501 XII.3. SIMULACIÓN DE PROCESOS POR COMPUTADORA Y SU RELACIÓN CON OPTIMIZACIÓN. DISTINTOS ENFOQUES 502 XII.3.1. Enfoque modular secuencial 503 XII.3.2. Enfoque global 505 XII.3.3. Enfoque modular simultáneo 507 XII.4. OPTIMIZACIÓN DE PROCESOS CON EL ENFOQUE MODULAR SECUENCIAL 508 XII.4.1. Métodos de caja negra 509 XII.4.2. Métodos de camino no factible 512 XII.4.3. Métodos de camino factible 518
  • xvii XII.4.4. Métodos híbridos 520 XII.4.5. Métodos siguiendo el flujo lógico de información 521 XII.5. OPTIMIZACIÓN DE PROCESOS CON EL ENFOQUE GLOBAL 523 XII.6. OPTIMIZACIÓN DE PROCESOS CON EL ENFOQUE MODULAR SIMULTANEO 525 EJERCICIOS 531 BIBLIOGRAFÍA 532 CAPITULO XIII: “MÉTODOS NUMÉRICOS, APROXIMACIÓN PARA LA SOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINARIAS” XIII.1. INTRODUCCIÓN 535 XIII.2. ECUACIONES DIFERENCIALES ORDINARIAS DE ORDEN N 535 XIII.3. SOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINARIAS DE 1er. ORDEN 536 XIII.4. APROXIMACIÓN A LA SOLUCIÓN MEDIANTE EXPANSIÓN EN SERIES DE TAYLOR 538 XIII.5. MÉTODOS EXPLÍCITOS DE RESOLUCIÓN DE EDOs 542 XIII.5.1. Método de Euler 542 XIII.5.2. Métodos de Runge-Kutta 547 XIII.6. MÉTODOS DE MÚLTIPLE PASO 558 XIII.7. MÉTODOS PREDICTORES-CORRECTORES 561 XIII.8. SISTEMAS DE ECUACIONES DIFERENCIALES 563 PROBLEMAS PROPUESTOS 565 BIBLIOGRAFÍA RECOMENDADA 568 CAPITULO XIV: “SIMULACIÓN DINÁMICA DE EQUIPOS DE PROCESOS ELEMENTALES” XIV.1. INTRODUCCIÓN 571 XIV.2. SIMULACIÓN DINÁMICA DE EQUIPOS SENCILLOS DE PROCESO 573
  • xviii XIV.3. MODELO PARA LA SIMULACIÓN DINÁMICA DE UN SEPARADOR FLASH 591 PROBLEMAS PROPUESTOS 599 BIBLIOGRAFÍA CITADA O RECOMENDADA 601 CAPITULO XV: ” SIMULACIÓN DINÁMICA DE EQUIPOS DE SEPARACIÓN MÚLTIPLE ETAPA EN CONTRACORRIENTE” XV.1. INTRODUCCIÓN 603 XV.2. MODELO PARA SISTEMAS DE SEPARACIÓN MÚLTIPLE-ETAPA MULTICOMPONENTE EN CONTRACORRIENTE 606 XV. 2.1. Sistema de Ecuaciones del Modelo 610 XV.2.2 . Procedimientos de cálculo 616 XV.3. EJEMPLOS DE APLICACIONES ESPECIFICAS. 622 XV.4. DESTILACIÓN BATCH 627 BIBLIOGRAFÍA CITADA 637 BIBLIOGRAFÍA RECOMENDADA 639 PROBLEMAS PROPUESTOS 640 CAPITULO XVI:” INTRODUCCIÓN AL CONTROL DE PROCESOS. SISTEMAS DE CONTROL TÍPICOS Y UTILIDAD DE LOS SIMULADORES DINÁMICOS “ XVI.1. INTRODUCCIÓN 643 XVI.2. NOCIONES BÁSICAS SOBRE CONTROL DE PROCESOS 646 XVI.2.1. Modelado matemático 647 XVI.2.2. Estructuras utilizadas en control clásico 650 XVI.2.3. Ajuste de los controladores Clásicos 653 XVI.3. NOCIONES BÁSICAS SOBRE ALGORITMOS DE CONTROL AVANZADO 655 XVI.3.1. Control por realimentación de estados 657 XVI.3.2. Control óptimo 658
  • xix XVI.3.3. Linealización global exacta de sistemas no lineales 661 XVI.3.4. Otras estructuras de control avanzado 662 XVI.4. SIMULACIÓN NUMÉRICA DE LOS PROCESOS CONTROLADOS 663 XVI.4.1. Estructuras típicas utilizadas en los simuladores dinámicos 665 XVI.4.2. UN EJEMPLO SIMULADO DE UN SISTEMA DE CONTROL DE NIVELES 666 PROBLEMAS PROPUESTOS 670 BIBLIOGRAFÍA CITADA 670 CAPITULO XVII “ SIMULACIÓN DINÁMICA DE EQUIPOS ESPECÍFICOS” XVII.1. INTRODUCCIÓN 673 XVII.2. EVAPORADOR DE PROPANO 673 XVII.2.1. Descripción del proceso 673 XVII.2.2. Construcción del modelo 674 XVII.2.3. Resolución del modelo 678 XVII.3. DESALADOR POR EVAPORACIÓN MÚLTIPLE FLASH 680 XVII.3.1. Descripción del proceso 680 XVII.3.2. Construcción del modelo 681 XVII.3.3. Resolución del modelo 687 XVII.4. REACTOR PRODUCTOR DE SULFOLENO 690 XVII.4.1. Descripción del proceso 690 XVII.4.2. Construcción del Modelo 692 XVII.4.3. Resolución del Modelo 695 BIBLIOGRAFÍA CITADA 696 CAPITULO XVIII: ”MODELADO DEL PROCESO DE DIGESTIÓN ANAERÓBICA EN REACTORES SIMPLES “ XVIII.1. INTRODUCCIÓN 697
  • xx XVIII.2. MODELADO DE LOS PROCESOS FUNDAMENTALES EN REACTORES BIOLÓGICOS SIMPLES 702 XVIII.2.1. Evolución histórica 702 XVIII.2.2. Modelado de un biodigestor anaeróbico tanque agitado ideal con microorganismos suspendidos 704 XVIII.2.2.1. Sistema de ecuaciones del modelo 707 XVIII.2.2.2. Esquema de cálculo 718 XVIII.3. MODELO DE REACTOR TANQUE AGITADO CONTINUO NO IDEAL 732 XVIII.3.1. Modelo de reactores tanques agitados en serie con recirculación externa 733 XVIII.4. INTRODUCCIÓN AL MODELADO DE REACTORES CON BIOFILM 735 BIBLIOGRAFÍA CITADA 738 CAPITULO XIX: “ MÉTODOS, ESCTRUCTURAS Y MODELOS PARA LA SIMULACIÓN DE PROCESOS BATCH ” XIX.1. INTRODUCCIÓN 741 XIX.2. EL ROL DE LOS PROCESOS BATCH EN LA INDUSTRIA QUÍMICA 741 XIX.3. APLICACIÓN DE LA SIMULACIÓN EN LA INGENIERÍA DE PROCESOS BATCH 742 XIX.4. CARACTERÍSTICAS DE LOS PROCESOS BATCH 744 XIX.5. MODELOS DE TIEMPOS Y FACTORES DE REQUERIMIENTOS 748 XIX.6. MODELOS DE ETAPAS INDIVIDUALES BASADOS EN LOS PRIMEROS PRINCIPIOS 752 XIX.7. LOS SISTEMAS DE SIMULACIÓN 756 XIX.8. CARACTERIZACIÓN DE UN PROCESO QUÍMICO DISCONTINUO (DESDE EL PUNTO DE VISTA DE LOS SISTEMAS DE SIMULACIÓN) 759 XIX.9. SIMULACIÓN CONTINUA-DISCRETA COMBINADA 760 XIX.10. SIMULACIÓN DINÁMICA DESACOPLADA 763 PROBLEMAS PROPUESTOS 764
  • xxi BIBLIOGRAFÍA CITADA 765 BIBLIOGRAFÍA RECOMENDADA 766 CAPITULO XX: “ MEDICIÓN Y ESTIMACIÓN EN PROCESOS CONTROLADOS ” XX.1. INTRODUCCIÓN 767 XX.2. MEDICIÓN DE VARIABLES DE PROCESO 768 XX.2.1. Mediciones “en linea” y “ de linea” 769 XX.2.2. Nociones básicas sobre transmisión de mediciones 771 XX.2.3. Ruidos típicos de medición 774 XX.2.4. Simulación numérica de la mediciones 775 XX.3. ESTIMACIÓN DE VARIABLES DE PROCESO NO MEDIBLES. 776 XX.3.1. Observadores 778 XX.3.2. Un estimador líneal óptimo: el filtro de Kalman 781 XX.4. MÉTODOS NUMÉRICOS DE ESTIMACIÓN PARA PROBLEMAS “MAL CONDICIONADOS” 784 XX.4.1. Técnicas determinísticas de inversión numérica 785 XX.4.2. Técnicas estocásticas de inversión numérica 787 XX.4.3. Ejemplos Simulados 788 PROBLEMAS PROPUESTOS 792 BIBLIOGRAFÍA CITADA 793 CAPITULO XXI: “SIMULACIÓN DINÁMICA EN TIEMPO REAL” XXI.1. INTRODUCCIÓN 795 XIX.2. CARACTERÍSTICAS GENERALES DE UN SIMULADOR EN TIEMPO REAL 797 XXI.3. CONSTRUCCIÓN DE UN SIMULADOR DE TIEMPO REAL 801 XXI.3.1. Tiempo real 801 XXI.3.2. Ruidos y Fallas 803
  • xxii XXI.4. PASTEURIZADOR HTST.1.0 808 XXI.4.1. Descripción del proceso 808 XXI.4.2. Propiedades fisicoquímicas 811 XXI.5. MODELO DEL PROCESO 813 XXI.6. EL SIMULADOR HTST 1.0 814 XXI.6.1. Introducción 814 XXI.6.2. La interfaz 814 XXI.6.3. Aplicaciones 817 PROBLEMAS PROPUESTOS 824 BIBLIOGRAFÍA 825
  • Cap. I - Pág. 1 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 CAPÍTULO I INTRODUCCIÓN A LOS MÉTODOS INFORMÁTICOS APLICADOS AL MODELADO EN INGENIERÍA Por Nicolás José Scenna I.1 INTRODUCCIÓN Es sabido que el procedimiento metodológico fundamental para resolver un problema en ingeniería consiste en representarlo de una manera adecuada, de tal forma de lograr una sustitución del sistema real (equipo, proceso, etc.) por uno más adecuado para el tratamiento formal. Por lo general, las herramientas lógico- matemáticas nos brindan un marco útil para representar mediante un sistema de símbolos y reglas, el comportamiento de los sistemas reales. Bajo el método científico, por ejemplo, se consolidan leyes y teorías en diversas ramas del conocimiento, las cuales son expresables por medio de sistemas de ecuaciones diferenciales. En otras palabras, se logra construir un nuevo sistema, del cual conocemos sus reglas de juego y símbolos, como un resultado de un proceso de abstracción dela realidad. Obviamente, dadola infinita complejidaddelosfenómenos fisicoquímicos, estas construcciones abstractas, conocidas genéricamente como modelos, son sólo meras aproximaciones de la realidad. En efecto, no es otra cosa lo que se realiza cuando en física utilizamos ecuaciones para describir el movimiento de una partícula, o resolvemos los balances correspondientes aplicando las leyes de conservación de la materia, energía o cantidad de movimiento; o bien cuando nos enfrentamos al diseño de un equipo según los procedimientos que conocemos a partir del campo de las operaciones unitarias. De aquí se desprende que si bien el sistema real a estudiar es único, puede existir un número muy grande de modelos asociados al mismo. En efecto, para obtener un modelo que pueda resolverse (es decir que sea útil), resulta necesario adoptar un conjunto de hipótesis. Por ejemplo, si consideramos la fricción, si es importante o no contemplar el intercambio de energía por radiación, si existen y se consideran los efectos electromagnéticos, etc. Las necesidades de exactitud que el problema a resolver nos impone, determinan el conjunto de hipótesis a utilizar. Por ejemplo, el error de una milésima de grado en el cálculo de un ángulo puede no tener implicancias en el punto de impacto de un proyectil que recorre una distancia pequeña, pero no puede afirmarse lo mismo para una trayectoria intergaláctica. En
  • Cap. I - Pág. 2 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 síntesis, dado el sistema real y los objetivos tecnológicos perseguidos, existirá un conjunto de hipótesis adecuadas que determinarán las características del modelo, o sistema de ecuaciones a resolver. Lo expresado recientemente implica una relación entre modelo (conjunto de hipótesis asumidas) y objetivos del ingeniero. Resulta evidente que no todo sistema de ecuaciones puede resolverse fácilmente, al menos desde el punto de vista analítico. Esto impuso a lo largo de la historia limitaciones importantes al tipo de modelos que podían resolverse, o de otra forma, la necesidad de recurrir a hipótesis inadecuadas o restrictivas (super- simplificaciones) para al menos poder tratar el problema. Es por ello también que en los orígenes de las ciencias tecnológicas los modelos podían ser considerados en gran medida como empíricos, esto es, con parámetros incorporados que surgían de experiencias, y no a partir de los primeros principios o leyes fundamentales. No debe extrañar que aún hoy, pese a todos nuestros avances, exista la necesidad de utilizar permanentemente parámetros en nuestros modelos, que no son otra cosa que la medida de nuestra ignorancia, ypor lo tanto, implican la necesidad de reemplazar las leyes básicas por aproximaciones causales obtenidas de datos experimentales. Este es el caso por ejemplo de la estimación de las propiedades de equilibrio de mezclas de comportamiento altamente no ideal. A medida que evolucionaron las diversas ramas de las matemáticas y con el advenimientode la ciencia dela computación, poderosa herramienta complementaria al análisis numérico y simbólico, se abrieron caminos revolucionarios. Contar con herramientas más potentes para resolver sistemas de ecuaciones, oloque es lomismo, relativizar la necesidad de adoptar hipótesis inadecuadas al plantear modelos para resolver problemas complejos, resultó un gran paso adelante. Más aún, la velocidad de cálculo provocó que la dimensión abordable se incrementara rápidamente. En efecto, si bien el grado de complejidad conceptual para resolver la inversa de una matriz de dimensión tres es equivalente al de una de cinco mil, resulta obvio que la complejidad operativa o fáctica no resulta comparable. La computación ha barrido literalmentecondicha limitación, haciendoahora tratablesproblemascuya dimensión es tal, que décadas atrás ni siquiera era pensable plantearlos. Dentro de este contexto, el propósito de los siguientes capítulos es mostrar cómo implementar modelos para resolver problemas comunes en el campo de la ingeniería química, cómo resolverlos desde el punto de vista computacional, y otro punto importante, qué tipos de problemas (modelos) surgen al cubrir distintos aspectos de la ingeniería. En este punto resulta necesario comentar que los problemas de diseño, optimización, simulación dinámica oestacionaria, supervisión o diagnosis de fallas en tiempo real, etc., tienen cada uno particularidades específicas, lo cual a su vez implica la conveniencia de utilizar modelos apropiados para cada caso. En este capítulo se tratará de mostrar someramente las diferencias y características conceptuales de diversos tipos de modelos, surgiendo los mismos a partir de la naturaleza específica de los problemas a resolver. En efecto, por ejemplo
  • Cap. I - Pág. 3 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 no resulta equivalente analizar el funcionamiento de una planta química dada (conocemos su estructura) que diseñar el proceso contando sólo con los datos de las materias primas disponibles y los productos deseados. Al igual que en arquitectura, cuando nos enfrentamos al diseño de una estructura para un fin determinado, existirán por lo general, como se verá en el Capítulo II, un número muy grande de alternativas para analizar. Por lo tanto, aquí el modelo deberá contener variables estructurales, además de las habituales. Ello implica un problema difícilmente traducible a ecuaciones matemáticas. En función de nuestro estado de conocimiento actual, el diseño de un proceso sigue siendo más un arte que ciencia, o lo que es equivalente, depende en una gran parte del juicio creativo del diseñador, además de la aplicación de reglas formales del análisis lógico-matemático. Por lo tanto, deberá encapsularse dicho conocimiento en el pretendido modelo. A continuación se brindará un breve análisis de la evolución histórica del área, a los efectos de situar al alumno desde esa perspectiva. I.2 EVOLUCIÓN HISTÓRICA La ciencia nos provee indicios acerca de la existencia, hace más de doce millones de años, de un cuadrumano, ancestro, según teorías arqueológicas, del actual mono chimpancé y del hombre. Más aún, en la cadena evolutiva, el actual homo sapiens-sapiens se supone aparece hace solo ciento cincuenta (evidencia arqueológica) o doscientos mil años (evidencia genética); comenzando hace aproximadamente cinco mil años a dominar los metales, para llegar hace solo dos décadas a masificar el uso de la computadora, en plena era espacial. Por otra parte, la incorporación de la informática al acervo cultural del hombre nos indica una evolución similar. En efecto, desde el habla (no hay acuerdo acerca de cuándo aparece, ya que algunas teorías nos indican que nuestros ancestros hablaban con el objeto de comunicarse hace ya más de un millón de años), la escritura sistematizada y mecanizada -imprenta- recién se instaló entre nosotros hace aproximadamente cinco siglos; y por último, la computadora, hace apenas medio siglo, siendo masificada (PC’s) hace solo dos décadas. Esto indica obviamente, una gran aceleración del tiempo histórico. Ante estos acontecimientos, la pregunta que surge naturalmente es ¿hacia dónde vamos?. Sin embargo, no es el objetivo del presente libro responder esta inquietud. Aquí nuestra inquietud es más limitada. Debemos reflexionar acerca del futuro inmediato de las ciencias de la ingeniería y el perfil de la informática dentro de este contexto. Es evidente que la aceleración de las olas de innovaciones o ciclos de descubrimientos y aplicaciones tecnológicas implica un disparo tanto a nivel de cada rama de la ciencia como en el conjunto de actividades socio-económicas, haciendo difícil digerir los nuevos conocimientos ylas formas de organización social que éstos involucran. Se vislumbra, a partir de la historia de las ciencias, la filosofía de las ciencias
  • Cap. I - Pág. 4 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Fase de nacimiento o de incubación Fase explosiva o exponencial Fase de maduración Tiempo Figura I.1: Curva sigmoidea que representa el proceso de maduración de una tecnología. y la teoría de sistemas, que todo proceso de aprendizaje, o de generación de tecnologías por más variadoque sea (incorporación de nuevas palabras al vocabulario de un niño, el descubrimiento de los elementos químicos que conforman la tabla periódica, la eficiencia de las máquinas térmicas, la eficiencia en el rendimiento de las lamparitas, etc.), se desarrolla lentamente al principio, para dispararse en un momento dado, y luego, nuevamente, aminorar la evolución en el tiempo, tendiendo lentamente a un valor asintótico (límite de eficiencia). Esta curva es la llamada curva de aprendizaje, logística o sigmoidea (ver Figura (I.1)). Del análisis comparativo de las mismas pueden obtenerse parámetros estimativos de la evolución de las tecnologías, tendencias de las olas de innovaciones básicas yde las aplicaciones tecnológicas, etc. Dentro de este contexto, se estima para el futuro, en base a los datos históricos, una aceleración del ciclo de innovaciones y la frecuencia de los procesos de descubrimientos innovativos y sus aplicaciones tecnológicas. Mucho se ha recorrido ya desde la aparición de la primera computadora digital (ENIAC). Desde la máquina de Pascal o el ábaco, la regla de cálculo o cualquiera de los instrumentos auxiliares utilizados para resolver los complejos problemas que se presentan en ingeniería, el hombre se ha caracterizado por ganar eficiencia en forma constante. Como vimos, la curva sigmoidea (Figura (I.1)) representa sorprendentemente los tramos característicos de evolución de numerosas aplicaciones tecnológicas provenientes de disciplinas diversas tales como biología, medicina, alimentación, ingeniería aeroespacial, informática, etc. Loparticularmente
  • Cap. I - Pág. 5 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 destacable es que en el campo de la informática como herramienta para resolver problemas de ingeniería, recién estamos entrando en la fase que puede llamarse de crecimientoexponencial. Estosignifica que si bien lorecorridodesde la ENIAC hasta aquí parece asombroso, existe una gran probabilidad que lo que nos depara el futuro cercano lo sea aún más. Varias consecuencias resultan evidentes. La más importante, desde el punto de vista didáctico, es la necesidad de formarnos con una gran capacidad de adaptabilidad, flexibilidad y vocación por el cambio permanente, el razonamiento profundo y la digestión de los fundamentos y conceptos transcendentes frente al aluvión de información que nos bombardea. Este libro es un intento en esa dirección. Se trata de introducir al lector a los conceptos y estrategias más relevantes del modelado de procesos utilizando métodos informáticos. También se pretende someramente introducir temáticas con cierta probabilidad de desarrolloinminente en un futuro cercano. Por otra parte, se intenta presentar una visión integral del problema de modelado de procesos, aunque se enfatiza con cierto grado de detalle el aspecto de simulación estacionaria y dinámica, frente al campo del diseño y optimización. Esto es así debido a que las herramientas necesarias para estas últimas áreas resultan más complejas, en general propias de cursos de especialización y posgrado. En síntesis, al tratar el problema del modelado desde un punto de vista integral, debemos discutir conceptualmente los diversos enfoques que se utilizan así como las herramientas matemáticas necesarias para su tratamiento. I.3. MÉTODOS NUMÉRICOS COMO HERRAMIENTA PARA EL MODELADO DE PROCESOS EN INGENIERÍA QUÍMICA Como veremos en los capítulos siguientes, la simulación digital constituye una poderosa herramienta para la resolución de las ecuaciones que describen a los sistemas en ingeniería química. Las principales dificultades que se plantean son principalmente: a) Encontrar la solución de un sistema de ecuaciones algebraicas no lineales (que usualmente se efectúa mediante un método iterativo, según veremos en los Capítulos III y IV). b) Efectuar la integración numérica de ecuaciones diferenciales ordinarias yen derivadas parciales mediante ecuaciones discretizadas en diferencias finitas que aproximan a las soluciones de las ecuaciones diferenciales continuas, según se analizará en el Capítulo XIII. Los métodos numéricos son una clase de algoritmos para resolver una amplia variedad de problemas matemáticos. Únicamente se emplean operaciones lógicas y aritméticas; por consiguiente, pueden implementarse fácilmente sobre computadoras digitales.
  • Cap. I - Pág. 6 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 En realidad, los métodos numéricos fueron desarrollados muchos años antes que surgieran las computadoras electrónicas digitales. En efecto, un gran número de los métodos numéricos usualmente utilizados datan de los comienzos de las matemáticas modernas. Sin embargo, el empleo de tales métodos estuvo restringido hasta el advenimiento de las computadoras, incrementándose dramáticamente al llegar a la mayoría de edad con la introducción de las computadoras electrónicas digitales. La combinación de métodos numéricos y computadoras digitales constituye una poderosa herramienta para el análisis matemático. Por ejemplo, los métodos numéricos son capaces de manejar no linealidades, modelos asociados a geometrías complejas y sistemas de ecuaciones acopladas que son necesarios para el modelado eficiente de muchos sistemas fisicoquímicos que se presentan en ingeniería. En la práctica, rara vez se consideran enfoques analíticos a los problemas de ingeniería en razón de la complejidad de los sistemas a resolver. Aún en problemas para los que podrían obtenerse con cierto esfuerzo soluciones analíticas, los métodos numéricos son poco costosos, fáciles de emplear y con frecuencia se dispone de ellos en programas comerciales. La primera pregunta que uno se formula es si existe algún límite a la capacidad de cálculode los métodos numéricos. La respuesta es afirmativa. Es sabido que si un problema no puede resolverse analíticamente, lo mejor es programarlo en una computadora (mediante un algoritmo adecuado). Este punto de vista se debe, sin lugar a dudas, al enorme poder de cálculo de los métodos numéricos. Sin embargo, también es cierto que existen muchos problemas que son imposibles de resolver utilizando métodos numéricos. Para diversos problemas no se ha encontrado todavía un modelo matemático completo y seguro, de manera que resulta obvio que es imposible encontrarles una solución numérica. La dimensión de otros problemas es tan grande que su solución está más allá de los límites prácticos en términos de la tecnología computacional disponible. Por ejemplo, en problemasfluido-dinámicosque involucran flujos turbulentos, en estimaciones meteorológicas o climáticas (campos de vientos, presiones, temperaturas, etc.), y como veremos más adelante, en diversos problemas que se plantean en el área de la ingeniería química, existen serias limitaciones en el área de diseño y de optimización en tiempo real, etc. En losúltimos años se han desarrolladograndesprogramascomputacionales comerciales para simular el comportamiento de sistemas de ingeniería de todo tipo. Usualmente, estos programas se diseñan para que sean utilizados por aquellos profesionales de la ingeniería sin un conocimiento intensivo de su funcionamiento interno. Por otra parte, existen bibliotecas (en continua expansión) de subrutinas de cálculoqueutilizan sofisticadosmétodosnuméricospara realizar una amplia variedad de tareas matemáticas, cubriendo virtualmente todos los campos del análisis numérico, aplicaciones estadísticas, etc. De cara a estos hechos uno podría
  • Cap. I - Pág. 7 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 verdaderamente sorprenderse si existiese por parte de los profesionales de la ingeniería la necesidad de adquirir un conocimiento funcional de los métodos numéricos y de programación. Resulta obvio que cuando se disponga de programas enlatados o subprogramas que han sido probados y demostrado su buen funcionamiento, lo más razonable es utilizarlos. No obstante, es altamente valorable el conocimiento del funcionamiento de tales herramientas, dado que por lo general el usuario de tales programas o subrutinas encontrará dificultades en su utilización. Estas dificultades pueden provenir de múltiples causas. Por ejemplo, es necesario remarcar que los métodos numéricos no están completamente libres de dificultades en todas las situaciones en las que se los utilice. Por otra parte, aún en el caso que no presenten dificultades de cálculo, podrían nofuncionar de manera óptima en todas las situaciones que se planteen. Siempre debe tenerse presente que la exactitud y la estabilidad numérica afectan a la ecuación discretizada utilizada (algoritmodeintegración). En la literatura respectiva se han propuestomuchos algoritmos. Varios de ellos, los más comúnmente utilizados, serán analizados en los Capítulos III, IV y XIII. Algunos de ellos trabajan mejor que otros sobre determinados problemas (por ejemplo más rápido y por consiguiente son menos costosos para un grado especificado de exactitud). Desafortunadamente no existe un algoritmoque funcione en forma óptima para todos los problemas que se plantean. Por otra parte, el usuario en búsqueda de una subrutina de cálculo para realizar una determinada tarea, puede encontrar una agobiante variedad de subprogramas que pueden ser aplicables, pero el material descriptivo rara vez dará una indicación sobre la eficiencia de la subrutina para resolver un problema específico. Esto sucede además, en la mayoría de los productos comerciales más elaborados, por ejemplo, para el modelado en ingeniería. Dentrode este contexto, es muyprobable que el ingenieroque espera utilizar un programa enlatado o una subrutina de una biblioteca para resolver un problema matemático determinado enfrente dificultades inesperadas, a menos que tenga una preparación adecuada. En efecto, la selección yaplicación de un método numérico en una situación específica, por lo general resulta más una actividad propia de un arte que de una ciencia. Por último, nunca resulta trivial la interpretación de los resultados obtenidos. Por consiguiente, el usuario que no tenga la habilidad ni el conocimiento para seleccionar yutilizar un método numérico para aplicar a un problema específico yefectuar la programación del método, encontrará una severa restricción en el rango de problemas que puede manejar. En general deberá buscar a alguien con la información necesaria, si es que existe ese alguien a quien consultar. Más aún, en esta situación resultará poco probable que el usuario pueda formular las preguntas correctas y el consultor suministrar las respuestas adecuadas, dado que el nivel de conocimientos de ambos resultaría muydiferente, dificultando la comunicación entre
  • Cap. I - Pág. 8 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 ambos. En síntesis, en los últimos tiempos se ha desarrollado una gran variedad de paquetes informáticos para resolver numéricamente sistemas de ecuaciones que se plantean en problemas de modelado en ingeniería. En teoría, estos paquetes relevan al ingeniero de adquirir conocimientos acerca de los métodos de integración numérica. Supervisan automáticamente los errores y la estabilidad del método ajustando el paso o intervalo de integración para satisfacer un criterio de exactitud. En la práctica, es sabido que estos lenguajes no resuelven todos los problemas. En su puja por generalizar, usualmente se vuelven ineficientes en muchas aplicaciones específicas, por ejemplo, desde el punto de vista del tiempo computacional. En estos casos resulta más conveniente desarrollar un programa ad-hoc escrito, por ejemplo, en lenguaje FORTRAN, BASIC o PASCAL. Con respecto a los productos informáticos que utilizan para el modelado un lenguaje de alto nivel, debe remarcarse que el tiempo de formulación y de resolución del modelo se reduce, en especial para aquellos ingenieros que no dominan métodos de programación y utilizan a la computadora ocasionalmente; aunque se espera que en el futuro cercano, casi todos los estudiantes avanzados y graduados en ingeniería obtendrán un manejo adecuado de lenguajes de programación. Cualquiera sea la situación, es evidente que la utilización de un paquete integrado que facilite escribir un modelo para simulación y permita directamente la resolución numérica requiere el aprendizaje de un nuevo lenguaje y de un nuevo utilitario. En el caso que se conozca algún lenguaje de programación, dado que las técnicas numéricas programadas de manera sencilla funcionan bien, deberá compararse el esfuerzo que implica desarrollar un programa específico para el problema que se desea resolver, con el uso de programas enlatados. En efecto, la experiencia demuestra que es más conveniente el desarrollo propio, ya que no sólo es computacionalmente más eficiente, sino que además garantiza al estudiante o ingeniero el conocimiento de cómo funciona el programa (por ejemplo, un simulador para un equipo dado) y cuáles son las hipótesis realizadas y las técnicas utilizadas. Esta metodología permite la supervisión del programa y su modificación, para manejar de manera más fácil y eficiente nuevas situaciones que se planteen. Una solución intermedia es programar el modelo particular (sistema específico de ecuaciones a resolver), utilizando para el cálculo alguno de los métodos enlatados disponibles para tal fin, aprovechando la disponibilidad de los numerosos paquetes numéricos de resolución, tanto de sistemas de ecuaciones algebraicas como de ecuaciones diferenciales, ordinarias o a derivadas parciales. En muchos lugares (universidades, institutos de investigación, etc.) y en el mercado, se dispone de bibliotecas de subrutinas de cálculo como las IMSL, IBM, Numerical Recipes, entre otras. En general, para cada rama, tanto de las matemáticas, de la estadística y/o de las aplicaciones de ingeniería, se han presentado en el mercado un gran número
  • Cap. I - Pág. 9 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 de aplicaciones para resolver muchos problemas de modeladode procesos, tales como diseño, simulación, síntesis, optimización, etc. Además, desde el punto de vista del alcance, los hay diseñados para un uso general así como para uno específico (por ejemplo, hornos, procesos petroquímicos, procesos que manipulan sólidos, sistemas con electrolitos, reactores biológicos, síntesis de moléculas, etc.). Noes el objetivodel presente libroefectuar un análisis detalladodel software disponible comercialmente ni delasaplicacionesespecíficasdesarrolladas, ni realizar una descripción exhaustiva de todos los paquetes informáticos existentes, dado que el mercado actual es muy dinámico. Sí resulta importante que el lector adquiera habilidad para comprender claramente el alcance general de los instrumentos computacionales disponibles, las tendencias, la necesidad de disponer de capacidad para generar sus propias herramientas para modelar problemas específicos o para adquirir o utilizar nuevos productos. En definitiva, existe una acuciante necesidad para que el ingeniero adquiera un profundo conocimiento acerca del funcionamiento de los métodos numéricos y las aplicaciones informáticas, a partir de lo cual, como usuario de computación, podrá seleccionar, modificar, adaptar oprogramar un métodoadecuadopara cualquier tarea especifica que emprenda; ayudarse en la selección y uso de programas enlatados yen subrutinas de bibliotecas y facilitar su comunicación con especialistas en una forma inteligente y eficiente, toda vez que se requiera efectuar una consulta. I.4 MODELOS NO CONVENCIONALES Los sistemas a resolver durante la tarea de modelado son muy diversos. Por ejemplo, todo problema de diseño se caracteriza, entre muchos aspectos, por la necesidad de seleccionar una opción óptima (estructura a diseñar, por ejemplo, un edificio, un proceso, un circuito electrónico, etc.) de entre el número (generalmente enorme en problemas reales) de alternativas posibles. Esto implica, por un lado, la necesidad de dominar métodos matemáticos para optimizar una función objetivo, por lo general fuertemente no lineal, con restricciones de todo tipo (desigualdades e igualdades, generalmentenolineales), con variables continuas (reales) odiscontinuas (enteras), y por supuesto de muy elevada dimensión. Por otra parte, será necesario comprender conceptualmente algunos de los métodos formales, para generar las alternativas estructurales posibles para un diseño dado y seleccionar una de acuerdo con ciertos criterios de óptimo impuestos por el diseñador. Esta problemática es conocida como síntesis de procesos dentro del ciclo de la actividad de diseño. A poco de meditar sobre estas cuestiones, resulta evidente la naturaleza distintiva de este enfoque. En particular, el manejo de estructuras como una variable a tener en cuenta, implica un grado de complejidad adicional. En efecto, los métodos matemáticos más comunes con los cuales nos formamos en el ciclo básico de la carrera no son necesariamente los más útiles o naturales para encarar la solución de este tipo de problemas. En este primer capítulo introductorio, se tratará
  • Cap. I - Pág. 10 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 de analizar someramente diversos ejemplos de modelos no convencionales y las herramientas o métodos propios o más naturales para encarar su solución; y por último, la relación entre las citadas estrategias y los lenguajes usuales más comunes para implementar los correspondientes algoritmos computacionales. En el próximo capítulo se discutirán algunos conceptos acerca del problema de síntesis de procesos y su relación con los temas aquí tratados. Es conocido que el tipo de conocimiento o procedimientos a utilizar para resolver una ecuación algebraica, o bien una integral, por métodos numéricos (Regla de integración de Simpson, por ejemplo), no son similares a la estrategia algorítmica para resolver analíticamente (cálculo simbólico) ya sea la integral como la ecuación algebraica mencionada. El mismo problema se nos presenta si pretendemos elaborar un algoritmo que sea capaz de jugar ajedrez, procesar imágenes clasificando diversos patrones, tener capacidad para la guía de proyectiles, reconocimiento de una firma en un cajero automático, etc. Resulta evidente que el conocimiento y el tipo de datos requerido para calcular un equipo o el diámetro de una cañería no es igual al necesario para adoptar los materiales adecuados para la misma. En efecto, el diámetro, la longitud, etc., surgen del cálculoy/ode parámetros bien definidos, dependiendosu complejidad sólo de la estructura del sistema. Por ejemplo, si existe cambio de fase, de la geometría, etc. La adopción de la cañería implica, además de los parámetros calculados en el procedimiento anterior, considerar las características del fluido, como por ejemplo, alcalinidad oacidez, temperatura, presión, si tiene partículas en suspensión ymuchos otrosfactoresa los efectos de adoptar el material más conveniente. Generalmente, este conocimiento no puede manipularse ni representarse en ecuaciones matemáticas. Mayores problemas surgen al adoptar una bomba, ya que además de los materiales existen otras características del equipo a definir (centrífugas, alternativas, el tipo de impulsor, etc.). En el caso de la solución de una expresión integral, debe procederse al empleo de ciertas reglas de integración analítica, en una cierta secuencia, que generalmente no es única, y cuyo orden y metodología depende de cada caso. En efecto, pueden existir múltiples procedimientos para arribar a la solución buscada. La integración numérica, por el contrario, elegidoun métodode integración, implica una secuencia ordenada de pasos fácilmente codificables. Lo mismo puede afirmarse de la operación de inversión de matrices o la solución numérica de un conjunto de ecuaciones diferenciales, como veremos más adelante, en próximos capítulos. En definitiva, podríamos plantear numerosos ejemplos de problemas cuyos procedimientos resolutivos no son fácilmente codificables en una secuencia ordenada de pasos (procesamiento del lenguaje natural, selección de alternativas al construir un edificio, búsqueda inteligente en una base de datos, etc.). Para resolver estos problemas se requiere algo similar al conocimiento experto, o inteligencia. Dado que un programa o algoritmo computacional que logre resolver tales problemas cumpliría
  • Cap. I - Pág. 11 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 con ciertos atributos que le adjudicamos a la inteligencia humana o de los expertos, a la rama de la ciencia de la computación que aborda el cómo proceder para resolver este tipo de problemas se le conoce como inteligencia artificial. Y a la disciplina de modelado, problem solving o resolución de problemas. Una de las herramientas utilizadas son los sistemas expertos, ya que los mismos están diagramados para emular a los expertos humanos en la forma en que resuelven los problemas. En general, para enfrentar este tipode problemas se requiere de una forma de modelar el proceso de generación de estructuras y una forma de codificar y representar el conocimiento de un experto en el dominio en cuestión. El tipo de conocimiento del cual hablamos, desde un punto de vista lógico, puede representarse y codificarse, entre otras alternativas, bajo las reglas de la lógica de predicados. Por ejemplo, reglas del tipo: Si la temperatura es muy alta, entonces la válvula debe cerrarse un 30%, o bien si el color de la solución es negruzco, entonces hay posibilidad de contaminación en el reactor, son muy comunes. El formato general es del tipo Si {A1...An} entonces {C,...Cn }; donde los antecedentes y consecuentes pueden estar vinculados por conectores lógicos (OR, AND, etc.). En general, un conjunto de reglas (generalmente muy numerosas) como las descriptas puede representar el dominio de conocimiento o experiencia acerca de un problema dado. Sin entrar en detalles, utilizado los principios inductivos-deductivos de la lógica de predicados, y asignando valores de verdad o falsedad a ciertas variables (las conocidas inicialmente y las que requiere el procedimiento de razonamiento en la cadena deductiva, si se disponen), puede fácilmente deducirse el estado de todas los demás, o lo que es lo mismo, obtenerse conclusiones valederas acerca de una variante en particular del problema dado. De esta manera, muy sintéticamente, puede vislumbrarse que este tipo de herramientas puede utilizarse para modelar problemas en los cuales no puede fácilmente codificarse todo el conocimiento del sistema y los pasos necesarios para la solución mediante un sistema de ecuaciones. Por ejemplo, las reglas antes mencionadas son muyútiles para los problemas de adopción de materiales, deequipos para ciertas condiciones, de los métodos más adecuados para estimar propiedades fisicoquímicas dada la composición, temperatura y presión de mezcla, etc. En la bibliografía recomendada se detalla una gran cantidad de aplicaciones en ingeniería que el lector puede consultar. Llegados a este punto, nos resultará útil analizar el otro aspecto que se nos presenta al modelar ciertos problemas, estoes, herramientas para manipular una gran cantidad de alternativas para un dado sistema. Estas herramientas, combinadas con algoritmos que manejan reglas según el ejemplificado someramente en el punto anterior, y sumado a la capacidad de cálculo de los métodos numéricos, permiten programar poderosos instrumentos para resolver una variada gama de situaciones de ingeniería, las cuales hace sólo dos décadas eran impensables de resolver por computadora.
  • Cap. I - Pág. 12 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura I.2 (a) Figura I.2 (b) Los movimientos se logran desplazando el lugar vacío hacia la derecha, izquierda, arriba y abajo respectivamente. Figura I.3 Acontinuación sediscutirán ejemplosquemuestran el procesodegeneración de alternativas y el tipo de conocimiento útil para seleccionar la más conveniente. Representación de problemas mediante la utilización de grafos Existe un tipo de problema general para el que se conoce con precisión el estado inicial, el estado final u objetivo, y las reglas o movimientos permitidos. Dentro de este contexto, cada vez que se aplica una regla o movimiento válido, el sistema cambia de un estado (por el ejemplo inicial) a otro. El problema consiste en encontrar la secuencia de movimientos o reglas a aplicar (con un sentido de óptimo o esfuerzo mínimo) que nos lleve al estado final u objetivo. Por ejemplo, sea el sistema representado en la Figura (I.2 (a)). En ella se muestra el estado inicial del sistema. En la Figura (I.2 (b)) se muestra el objetivo deseado (se desea ordenar los componentes en forma creciente).
  • Cap. I - Pág. 13 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura I.4: Expansión de nodos durante el proceso de búsqueda o generación de estados. Dado el estado inicial del sistema, y el estado final u objetivo, nos faltan describir las reglas o movimientos permitidos para lograr transiciones entre estados. Estas reglas también son llamadas operadores. Pueden considerarse funciones cuyo dominio y rango son un conjunto de estados. Los operadores o reglas válidas deben ser descriptos, al igual que la representación de los estados, en forma adecuada. Esta forma depende de cada problema. En el ejemplo que nos ocupa, los operadores están descritos en la Figura (I.3). Aquí se muestra que cada elemento en el arreglo puede moverse ocupando el hueco disponible. Es interesante notar que si se encuentra en un borde, las posibilidades de movimientos posibles o válidos en cuantoa las direcciones se limitan. Obviamente esto puede plantearse en un lenguaje más formal, pero aquí nos basta con la comprensión de las reglas. Resumiendo, en la Figura (I.4 (a)) se indica un procedimiento general, mientras que la Fig. (I.4 (b)) se ejemplifican las posibilidades de movimientos u operadores válidos cuando se enfrenta el problema indicado en la Figura (I.2).
  • Cap. I - Pág. 14 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Para poder representar la transición entre estados (en el ejemplo que nos ocupa representado por un arreglo omatriz), es conveniente adoptar una metodología conveniente. Para ello resultan muy útiles los grafos. Un grafo consiste en un conjunto (no necesariamente finito) de nodos. Ciertos pares de nodos están interconectados por arcos. Cuando éstos son dirigidos desde un nodo hacia el otro, se los denomina grafos dirigidos. En un par dirigido (nodo ni hacia nj) se dice que el nodo nj es accesible desde el nodo ni, siendo éste antecesor y el nodo nj el sucesor. Así se puede encadenar una secuencia de nodos, definiendo un camino mostrando los sucesivos pares antecesores-sucesores. Un caso particular de grafo es aquel en el cual los nodos están vinculados de tal manera que puede representarse según una estructura de árbol jerárquico. El problema de encontrar una política de transiciones de estados (operadores aplicados secuencialmente) puede asimilarse a la de encontrar un camino en el árbol dirigido, en el cual cada nodo representa un estado y cada arco vinculante un operador. Puede pensarse que para aplicar un operador o regla de transición que nos lleve desde un estado a otro debe pagarse un costo. El criterio más simple es asignar un costounitarioa cada movimiento, con el propósitode poder contabilizar, ycon ello minimizar el número de movidas para llegar desde el estado inicial hacia el objetivo; pero también puede asignarse un costo genérico Cij = c(ni, nj) a cada movida. Por ejemplo puede asimilarse como proporcional a la distancia a recorrer entre ambos nodos (en un problema de transporte), o bien un costo en valor monetario, como veremos en el Capítulo II al tratar secuencias de destiladores óptimas, etc. En estos casos se plantea el problema de encontrar un camino desde el estado inicial al final, que minimice el costo. En la Figura (I.5) se muestra la serie de operadores aplicados a un nodo (el inicial)obteniéndoselos nuevos sucesores. Este desarrollosedebecontinuar hasta que se logre el suceso, esto es, encontrar la configuración o estado objetivo buscado. Resulta evidente que a medida que el número de elementos a ser ordenados se incrementa, la cantidad de posibles estados (dimensión del árbol que se genera) crece en forma combinatoria. Por ejemplo para 8 elementos se tiene un espacio de dimensiones posible de analizar manualmente, pero para 15 el espacio resulta enormemente superior. Queda claro por lo tanto el concepto de explosión combinato- ria de alternativas. Este mismo inconveniente surge en cualquier problema de diseño tecnológico, como se discutirá en el próximo capítulo, por ejemplo al diseñar un tren de separación por destilación de una mezcla de muchos componentes, en el diseño estructural de un edificio, etc. Las variantes estructurales son asombrosamente enormes apenas se presenta el problema de seleccionar alternativas. Por lo tanto, para problemas que presentan un espacio de alternativas de elevada dimensión, resulta necesariorecurrir a una estrategia de búsqueda que evite explorar a todas al azar, para tender a minimizar el costo de la búsqueda, o lo que es lo mismo, el número de nodos
  • Cap. I - Pág. 15 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 visitados antes del lograr el estado objetivo buscado. Para ello existen eficientes algoritmos de búsqueda o procesamiento de grafos, de los cuales como ya menciona- mos los grafos dirigidos o árboles jerárquicos aquí utilizados son un caso particular. Un algoritmo genérico de búsqueda podría ser planteado de acuerdo al siguiente esquema (según lo bosquejado en la Figura (I.4 (a)): 1) Asociar el nodo inicial o de partida al estado inicial. 2) Generar los nodos sucesores aplicando los operadores posibles (reglas válidas de transformación de estados). Esta operación (obtener todos los sucesores) se conoce como expansión del nodo. Los arcos que vinculan cada nodo origen con sus sucesores permiten definir el camino seguido desde el nodo (estado) inicial hasta cualquier estado generado durante el proceso de expansión. 3) En cada momento, luego de obtenido un estado, se lo compara con el objetivo deseado: Si coincide, el proceso de búsqueda ha concluido. En este caso el camino que une el nodo inicial con el nodo objetivo es la solución al problema. Si no coincide, debe continuarse el proceso de expansión. El algoritmo arriba descrito es muy general (Figura I.5). Por ejemplo, debe pensarse en un criterio para detener el algoritmo si no encontramos la solución, ya que en casos en los cuales el número de estados es infinito, o bien el punto de partida es tal que no existe una solución, el algoritmo se ejecutará durante un tiempo infinito. Además, debe especificarse el criterio o proceso bajo el cual se expanden los nodos. Por ejemplo, un criterio ampliamente utilizado es expandirlos sistemáticamente en el orden en el cual son generados. Este criteriose conoce en inglés comobreadth-first, o hacia lo ancho o expansión lateral. Para el ejemplo que nos ocupa, en la Figura (I.6) observamos una expansión bajo este criterio, a partir del nodo inicial. El número en el vértice de cada arreglo indica el orden en el cual los estados son generados. Otro criterio es el que expande el nodo generado más recientemente. Esta estrategia es conocida en inglés como depth-first, o en profundidad. En la Figura (I.7) se indica esta expansión a partir del mismo estado inicial indicado en la Figura (I.6). La profundidad de un nodo se define sumándole uno a la profundidad del antecesor. Dado que en ciertos casos la profundidad alcanzada durante la expansión puede ser muy grande, es preferible acotar la misma con un parámetro de profundidad máxima a explorar ocriteriode búsqueda. El criteriopodría ser aquel que surge de preguntarse luego de recorrer el camino (rama) en cierta extensión y no haberse detectado la solución, si no es conveniente abandonar la búsqueda y retomarla desde un nodo (o camino) más prometedor. Una vez que se alcanza este nivel cota, o bien se obtiene un estado que no puede expandirse, debe regresarse hacia atrás en el árbol y expandir el nodo más próximo de los antecesores que permita su expansión. En la práctica, para problemas de muy elevada dimensión (los que generalmente se dan en
  • Cap. I - Pág. 16 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 FiguraI.5:Ejemplodeexpansióndelnodoinicialysucesores.Laflechaeselcaminohaciaelobjetivo. ingeniería), explorar un árbol o grafo bajo estos criterios puede resultar sumamente costoso (tiempo computacional).
  • Cap. I - Pág. 17 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Paralelamente, se debe disponer de capacidad de almacenamiento muy grande (para retener los estados intermedios). Por lo tanto, resulta de interés encontrar un criterio o estrategia de búsqueda que minimice el esfuerzo. Para ello se utilizan criterios que se basan no sólo en la configuración o formato de expansión del árbol o grafo de búsqueda, sino más bien en alguna propiedad intrínseca de la solución buscada. Obviamente es muy difícil obtener este criterio a priori. Si pudiera establecerse fácilmente, ello implicaría que no existe el problema de búsqueda como tal, yla solución sería trivial. Además, cada tipo de problema contiene características especiales y una buena estrategia para uno, no necesariamente resultará exitosa para otro. Dentro de este contexto surge claramente el tema de la experiencia previa del jugador o experto. A este tipo de conocimiento empírico, no analítico, es el que en general se denomina conocimiento heurístico, o reglas del arte. Esto da origen a un criterio de búsqueda heurística, más asociado al tipo de problema que a la estrategia formal de búsqueda. De esta manera, ya sea según una estrategia básica de expansión en profundidad o hacia lo ancho (lateral), se expandirán en primer lugar aquellos nodos mas promisorios, estoes, aquellos que sean más adecuados según el criterioheurístico (funciones de evaluación). Por ejemplo, en nuestro problema puede plantearse como criterio heurístico expandir primeroel nodo caracterizado por el mayor númerode elementos ordenados (una especie de medida de la distancia al objetivo o una aproximación al menor costo de búsqueda). Existen numerosos criterios para proponer funciones de costo o evaluación. Por ejemplo, puede no sólo contemplarse un criterio de búsqueda basado en la distancia al objetivo, sino también agregando un criterio de costo asociado a la búsqueda, por ejemplo el número de movidas realizadas. Es decir, que pueden utilizarse varios términos contribuyendo cada uno de ellos independientemente. De esta manera puede obtenerse una función de evaluación o criterio de decisión que involucre la longitud del camino recorrido hasta un nodo (o la profundidad) a la función anteriormente definida que expresa la distancia asociada al mismo. En este caso entonces, y volviendo a nuestro ejemplo en la Figura (I.8), en el nodo origen (profundidad cero), tenemos para el criterio de selección del nodo a expandir, considerando los elementos desordenados y la distancia, el valor de (0+7). En el segundo nivel, la función evaluación adopta para los nodos los valores (6+1), (8+1), y (7+1), respectivamente, dado que la profundidad es uno en todos los casos. Por otra parte, en la función evaluación, a cada término utilizado puede afectárselo por factores ponderados, o lo que es lo mismo, asignarle peso relativo a cada término que se incluya a la función de evaluación. En efecto, puede plantearse una combinación lineal del tipo , donde el costo C es unaC . D   P combinación lineal del costoasociadoa la distancia al objetivo (D) yel costo asignado a la profundidad, o camino recorrido (P).
  • Cap. I - Pág. 18 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 FiguraI.6:Enestecasoseexpandenlosnodosadoptandolaconvencióndemoverelespacioenblancohacialaderecha, laizquierda,abajo,arriba,eneseorden.Lasramasserecorrendesdeizquierdaaderecha.Losnúmerosenelvértice indicanordendegeneración.
  • Cap. I - Pág. 19 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 FiguraI.7
  • Cap. I - Pág. 20 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura I.8 Los valores . y  son pesos relativos. Puede asumirse valores iguales o diferentes y ello depende de la utilidad práctica de la elección. Como regla general, sólo un método de prueba y error nos brinda los valores óptimos para cada problema en particular. En nuestro caso se han considerado ambos factores de igual peso (la unidad). En la Figura (I.8) se muestra la expansión utilizando como función de evaluación el criterio recientemente discutido. Hasta aquí se ha introducido someramente a la problemática, a los efectos de ilustrar diversos procedimientos y criterios para manejar problemas en los cuales se genera un espacio de soluciones combinatorio, esto es, explosivo apenas se incrementa el número de variables a considerar. Estos problemas son muy comunes en varios campos de la ciencia, y en particular, en el diseño en ingeniería. En efecto, ya mencionamos que este tipo de modelos se aplica entre otros, en el análisis de cadenas de símbolos (análisis gramatical), en el análisis matemático simbólico, en el diseño en ingeniería (elegir una estructura entre múltiples alternativas, según se discutirá en el Capítulo II), el problema de generar algoritmos para diversos juegos -ajedrez entre otros-, en el transporte de recursos a diversas ubicaciones con una flota disponible, síntesis de moléculas, etc.
  • Cap. I - Pág. 21 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 P M n k 1 Kk fk (x) d x Nuestro objetivo es comprender el tipode modeloa utilizarse ysu asociación con los lenguajes de programación necesarios o útiles para implementar computacio- nalmente los algoritmos correspondientes. Se sugiere al lector interesado en profundizar estos temas la lectura de la bibliografía indicada al final del capítulo. Descomposición de problemas complejos. Partición En general, muchos problemas de elevada dimensión, desde un punto de vista sistémico (teoría de sistemas), pueden ser encarados con cierta ventaja cuando son particionados adecuadamente en diversos subproblemas, cuya solución resulta más fácilmente asequible. Desde luego que deberá obtenerse la solución global como una composición de las soluciones parciales obtenidas. Un ejemplo es el problema (análisis matemático simbólico) de la integración de una expresión dada (integral indefinida). Mientras que ciertas reglas de integración nos permiten fácilmente descomponer un problema en subproblemas (la integral de una sumatoria es igual a la sumatoria de las integrales), no resulta tan sencillo la aplicación de la regla de integración defunción defunciones, funcionestranscendentes, compuestas, etc. Aquí, si no existen expresiones directamente contenidas en la tabla de integrales, debe recurrirse a ciertas manipulaciones o reglas (por ejemplo integración por partes, sustituciones y procedimientos algebraicos adecuados, etc.). Además, estas manipulaciones no son únicas, por lo que se genera un espacio de alternativas posibles, de las cuales sólo algunas resultarán conducentes a la solución deseada. Esinteresantenotar queel problema referidopuederepresentarseestructural- mente de una manera similar al anterior, esto es, utilizando grafos o árboles. Esta representación puede visualizarse en la Figura (I.9) para la siguiente expresión: Aquí se aplican las reglas de la descomposición de la sumatoria y la multiplicación por una constante. Como se observa, se genera una secuencia de subproblemas en un orden jerárquico que deberá resolverse en la forma establecida (desde abajo hacia arriba) para encontrar la solución global al problema. La estrategia consiste en aplicar las reglas válidas de tal manera de lograr reducir el problema original en subproblemas que puedan resolverse directamente (base). La expansión finaliza cuando esto se logra. Nuevamente, según la expresión a integrar y la metodología elegida, la expansión puede resultar tediosa y de difícil solución, ya que se originarán numerosas alternativas posibles de aplicar. Resulta imprescindible por lo tanto, disponer de reglas heurísticas propias de la experiencia para proceder a la expansión adecuada, con el menor esfuerzo. Resulta evidente entonces, que la naturaleza del conocimiento o secuencia de pasos a seguir, programar o codificar para resolver diversos problemas, es radicalmente
  • Cap. I - Pág. 22 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura I.9: En este caso, el arco sólido que une los nodos en la expansión es un nodo and. Esto significa que deben resolverse todos los nodos de la base (sucesores) para resolver el nodo antecesor. diferente. Por ello, si bien las técnicas de búsqueda en árboles y otras de similar naturaleza no son imposibles de ser programadas en lenguajes propios del primer paradigma informático como ser BASIC, FORTRAN o PASCAL, queda claro que debidoa la necesidad demanejar procedimientos simbólicos, cadenas de razonamien- to lógico, deductivo-inductivo, y conocimiento heurístico, que en general es difícilmente cuantificable, resulta necesario recurrir para encarar este tipo de problemas, a otros lenguajes, más adecuados a los propósitos perseguidos. Éstos se caracterizan por facilitar la programación bajo tales condiciones, tanto en el manejo de los datos como en el tipo de conocimiento a codificar y el tipo de estrategia/razonamiento a emplear. Por ejemplo lenguajes como el LISP, PROLOG, la programación orientada a objetos, y otros paradigmas recientes de programación permiten una base más adecuada para resolver naturalmente los problemas recientemente discutidos. Un lenguaje ideal permitiría manejar tanto reglas lógicas como listas y estructuras de datos, paralelamente a la capacidad de manipular todo tipo de operaciones aritméticas sin ninguna dificultad. I.5 SISTEMAS DE GERENCIAMIENTO DE INFORMACIÓN Hasta aquí hemos analizado someramente diversos tipos de modelos. Aquellos que se caracterizan, por ejemplo, a través de un conjunto de ecuaciones algebraicas odiferenciales, obien mediante programas matemáticos de optimización, en general de elevada dimensión; para cuya resolución se recurre a algoritmos numéricos programados computacionalmente. Por otra parte, existen modelos que apelan, como hemos visto, a la
  • Cap. I - Pág. 23 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 representación del sistema por medio de grafos o árboles. En ellos la representación simbólica prioriza la descripción de los estados del sistema o los eventos a considerar. Este es un gran paso para facilitar el manejo de variables estructurales, manipulación simbólica, partición de problemas en subproblemas más adecuados, etc. También se concluyó que resulta necesario, en ciertos problemas, disponer de lenguajes que permitan naturalmente implementar el razonamiento lógico además del cálculo algebraico. Por ejemplo, vimosquecon ellosresulta factibleimplementar computacio- nalmente el proceso de decisión para adoptar ciertos equipos, por ejemplo, bombas, intercambiadores, resolver analíticamente integrales, etc. Para ello se emula el proceso de toma de decisiones por parte de un experto manipulando formalmente operadores lógicos. Existe no obstante, otro aspecto que se ha evidenciado progresivamente, a medida que evolucionó el conjunto de tecnologías disponibles. En efecto, el manejo de la información resulta cada vez más importante. Se debe contar con la información precisa, y en el momento justo, para una adecuada toma de decisiones. Históricamente, a partir de la necesidad de lograr bancos de datos en las reparticionesoficiales(documentación personal, catastros, etc.)yfinancieras(cuentas bancarias, proveedores, clientes, etc.) entre otros muchos ejemplos, evolucionaron lenguajes de programación ysistemasinformáticos aptos para manipular yalmacenar grandes cantidades de datos. Los sistemas Administradores de Base de Datos han evolucionado de una manera vertiginosa, permitiendo hoy en día la búsqueda inteligente de información de todo tipo, que paralelamente a la evolución de las telecomunicaciones ytransmisión de datos, permiten el manejode sistemas altamente integrados (por ejemplo la autopista informática, Internet). Dentro de este contexto, resulta evidente la necesidad de analizar el impacto de estas herramientas en el campo de la ingeniería. Por ejemplo, es obvio que en una empresa de ingeniería dedicada al diseño de procesos químicos (ingeniería básica, de detalle, la construcción y el montaje, etc.) resultará muy importante contar con un sistema informático(montadosobre Administradoresde Base de Datos) que contenga la información de las diversas etapas del proyecto, como ser los balances de materia y energía, las hojas de cálculo y especificaciones de cada equipo, el plano de distribución de equipos, cañerías e instrumentos, el cronograma de tareas a realizar, etc. Es obvio que si todos los departamentos estuvieran integrados, la información podría circular con facilidad entre los diversos agentes, evitando así el uso o la dependencia de las clásicas planillas, memos, etc., fuentes de errores e imprecisiones. Además, cada nivel de jerarquía tendrá capacidad para efectuar el acceso diferencial a la información, ya sea en la cantidad y/o en prioridad, por ejemplo, para efectuar modificaciones, escritura y lectura, etc. En otraspalabras, la sistematización dela información ysu accesoinmediato es lo que permite al nivel directivo una adecuada herramienta soporte para el gerenciamiento de la empresa, es decir, para la toma de decisiones.
  • Cap. I - Pág. 24 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Otro ejemplo puede ser una planta de producción, por ejemplo, una petroquímica. Aquí se genera en tiempo real, segundo a segundo, una gran cantidad de información que se almacena en una base de datos a través del sistema de adquisición de datos. Esta gran cantidad de información, vital para el seguimiento de la planta, es prácticamente la historia de la misma. El problema es que dado que se toma en tiempo real, unas pocas horas de funcionamiento implica un gran esfuerzo de almacenamiento. Por lo tanto debe encontrarse una forma para resumirla y almacenarla adecuadamente.Cada sección (producción, mantenimiento, laboratorios de control de calidad, compras, ventas, stocks, etc.) genera una gran cantidad de datos en tiempo real. Obviamente, un sistema adecuado para manipular los datos, que son de diversoorigen ynaturaleza, facilitaría enormementeel procesodegerenciamiento, desde la planificación de la producción, hasta la programación del mantenimiento y paradas de equipos. Dentro de este contexto, los sistemas para el gerenciamiento de la información están en la actualidad en constante evolución, con el objetivo de integrar en una herramienta compatible todas las aplicaciones informáticas. El problema es de gran magnitud, ya que como discutimos anteriormente existe una infinidad de aplicaciones, por ejemplo para el cálculo de equipos, simulación yoptimización, etc., además de sistemas contables para liquidación de sueldos, gerenciamiento de stocks, compras y ventas, proveedores, etc. Por consiguiente, nos interesa remarcar la importancia del acceso a los datos para enfrentar cualquier problema de ingeniería, cualquiera sea su naturaleza, destino u origen. Se deduce entonces, que también resulta importante, al analizar el lenguaje de programación adecuado para una aplicación, verificar su compatibilidad con diversos administradores de bases de datos y otras aplicaciones, ya que en un futuro inmediato será necesario proceder a integrar de manera progresiva los programas independientes con las fuentes de información general disponibles. Resulta cada vez más evidente que los problemas a enfrentar en el ejercicio de la profesión (al generalizarse en el mercado todas las herramientas someramente mencionadas en este capítulo) tienden a incorporar elementos característicos de cada tipo de modelo anteriormente analizado. Por otra parte, también es imperioso realizar cálculos en tiempo real, a los efectos de estimar hacia donde evolucionará el proceso si cambian las condiciones de las materias primas, o bien si la demanda variara súbitamente imponiendo la necesidad de reorientar la producción en función del stock disponible. Para ello también será necesario recurrir a diversos bancos de datos, para obtener información, sean ellos locales o bien remotos, además de la implementación de técnicas de optimización en línea o en tiempo real. A diferencia del antiguo paradigma de la informática según el cual los programas se consideraban con una estructura rígida, compuestos por una sección de entrada de datos, una de cálculo y finalmente de una de salida de datos, en las
  • Cap. I - Pág. 25 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 aplicaciones de última generación se fusiona el nivel de dato con el de cálculo y el de procesamiento o etapa procedural, relativizando una secuencia rígida paso a paso, característica de la programación clásica. En efecto, se busca integrar la capacidad de almacenar y manipular gran cantidad de información con el cálculo numérico y simbólico en una única herramienta. I.6 PARADIGMAS INFORMÁTICOS En general, se puede aceptar que la mayoría de los estudiantes avanzados de ingeniería y los profesionales de esta actividad tienen alguna experiencia en el uso de lenguajes como FORTRAN, PASCAL, BASIC o ALGOL. El FORTRAN fue el primer lenguaje para uso científico, siendo en la actualidad el más utilizado para este uso. La aparición de cada nuevo lenguaje o paquete de utilitarios exige por parte del usuario el aprendizaje de un conjunto de nuevas reglas y operatorias. Por otra parte, aunquesepresenten ventajasfrentea aplicacionesrealizadascon lenguajesanteriores, el costo (en dinero y esfuerzo) que implica volcar las aplicaciones al nuevo lenguaje es un aspecto a analizar. Esta es una de las principales razones por las cuales el FORTRAN sigue siendo aún hoyel lenguaje de programación estándar en ingeniería y en otras ciencias duras. Por otra parte, es muy poco probable que sea desplazado en un futuro cercano en aplicaciones de cálculo numérico. Si bien no es el objetivo de este capítulo analizar la evolución histórica de la informática ni de los paradigmas informáticos y su relación con las herramientas que nos provee (lenguajes diversos de programación con sus características, virtudes y/o aptitudes que los caracterizan), a continuación se vertirán someramente algunos comentarios con el objetoque el lector comprenda claramente la vinculación entre los diversos tipos de problemas que aparecen en el modelado de procesos y su natural correspondencia con alguna herramienta computacional acorde. En efecto, en la Sección (I.3) analizamos las características salientes o inherentes a los algoritmos aplicables en el campo del análisis numérico ysu relación con ciertos problemas de modelado en ingeniería. Vimos que, en general, los lenguajes FORTRAN, BASIC, PASCAL, C o similares, son directamente aplicables y constituyen, en forma general, la opción natural para los mismos, ya que los métodos numéricos no son otra cosa que un conjunto de acciones sistemáticas que deben aplicarse secuencialmente a los efectos de lograr la solución deseada. Estos lenguajes generalmente pertenecen a lo que se ha dadoen llamar el primer paradigma de la informática. Por el contrario, en la Sección (I.4) hemos analizado otro grupo de problemas muy comunes que utilizan grafos y modelos equivalentes para generar un espacio de alternativas a considerar durante el procesamiento. En éstos, si bien no es imposible el manejo de grafos y la implementación de los algoritmos pertinentes con las herramientas o lenguajes anteriormente mencionados, resultan naturalmente aplicables aquellos que posean la capacidad de manejar listas, recursividad, objetos,
  • Cap. I - Pág. 26 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 etc. Aquí es importante remarcar que tanto el PASCAL, el FORTRAN o bien el C (C++), han introducido con el tiempo, en mayor o menor medida, tales habilidades. Finalmente, recordemos que existen problemas en los cuales el modelo asociado contiene reglas lógicas que representan el conocimiento del dominio en cuestión. En efecto, imaginemos que pretendemos diseñar un sistema de control para un proceso determinado. Un sistema clásico de control contempla un diseño basado en la linealización de las respuestas dinámicas del sistema alrededor del estado a controlar. Si las perturbaciones son muy grandes, esta estrategia puede no funcionar, especialmente en sistemas altamente no lineales. En estos casos, deberá recurrirse a algoritmos modernos (o noclásicos) de control, comocontrol robusto, adaptativo, etc. Sin embargo, en todos los casos, suponemos que existe al menos un modelo para el sistema (que podemos resolver en tiempo y forma numéricamente), además de poder realizar las mediciones necesarias. Esto no siempre es así: Por ejemplo, ciertos sistemas como los reactores biológicos, hornos o secaderos de cemento, sistemas complejos de cristalización, etc., son decididamente inabordables para el modelado clásico, o bien resultan complejos de abordar a un costo razonable. Sin embargo, habitualmente son controlados por los operadores, quienes han desarrollado una experiencia con el tiempo para el manejo de tales procesos. Este conocimiento empírico, heurístico, o de la experiencia, derivado de las reglas del arte, es difícilmente codificable en forma de ecuaciones matemáticas. Por ejemplo, según comentamos genéricamente, reglas similares a éstas pueden utilizarse para controlar un proceso: Si el líquido está más viscoso o de un color negruzco, entonces aumentar el flujo de agua de enfriamiento en un 30%, o bien: Si el sistema vibra, entonces conectar el interruptor I1 rápidamente. Este tipo de conocimiento, útil para control, supervisión y diagnóstico de fallas en tiempo real, etc., como ya mencionamos, puede encapsularse o codificarse en reglas del tipo: Si {...conjunto de antecedentes...} entonces {conjunto de ...consecuentes...}. En estos casos, resulta natural programar los aplicaciones específicas con lenguajes que incorporen, a las habilidades ya mencionadas hasta aquí, el manejo de reglas. Ejemplos de este tipo de lenguajes según ya comentamos son, por ejemplo, el PROLOG y el LISP. Además, existen en el mercado un número importante de utilitarios que poseen esta capacidad de manejar reglas, no sólo para funcionamiento fuera de línea sino también para el desempeño en tiempo real, esto es, montadossobreunacomputadoraquesimultáneamenteadquieredatosdelproceso. Entre estos últimos pueden mencionarse, entre otros, el G2, el ONSPEC y el GENESYS. Por último, es interesante destacar que el advenimiento de entornos WINDOWS y utilitarios que agregan facilidades visuales o gráficas, tales como el DELPHI, VISUAL C++ , VISUAL BASIC, etc., facilitan enormemente el diseño de sistemas amigables para el usuario, ya sea en programas de simulación como de supervisión de procesos, simulación en tiempo real, entrenamiento de personal, etc.
  • Cap. I - Pág. 27 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Nuevamente, se remarca que un lenguaje ideal se caracteriza por facilitar la programación orientada a objetos, facilidadesgráficasyvisuales, manejar tantoreglas lógicas como listas y estructuras de datos, paralelamente a la capacidad de manipular todo tipo de operaciones aritméticas sin ninguna dificultad y a una velocidad razonable. Es importante destacar que a lo largo de esta obra no se discutirán aspectos de implementación de los programas en particular así como del software comercial disponible, tanto de aplicaciones como de lenguajes, prefiriéndose enfatizar los aspectos de modelado y los conceptos subyacentes. PROBLEMAS PROPUESTOS P1) Suponga que se requiere implementar un programa para el juego de ajedrez. Suponga que para la representación del conjunto de estados se selecciona una estructura en árbol como la utilizada en este capítulo. Suponga que los operadores son los correspondientes a cada movimiento permitido a todas las piezas, y que además encontró una manera adecuada de registrar el estado del tablero, con la posición de cada una de ellas. ¿Cuando se inicia el juego, cuántas posibilidades de movimientos tienen las blancas?. ¿Sobre este movimiento, cuántas repuestas posibles tienen las negras?. ¿Puede realizarse el programa sin definir adecuadas funciones de evaluación?. ¿Qué información deberían tener dichas funciones?. P2) Suponga que dispone de una mezcla de NC componentes y la quiere separar medianteuna secuencia decolumnasde destilación. ¿Cuántas de ellas requiere, si sólo separa un componente en cada una de ellas? (tenga en cuenta que la última procesa una mezcla de solo dos componentes). ¿Cuántas secuencias existen si optamos por cubrir todas las combinaciones posibles?Haga un esquema tipoárbol para una mezcla de 4 componentes. ¿Qué sucede si éstos aumentan progresivamente?. P3) Suponga que tiene el problema de diseñar la red de intercambiadores de calor que debe proceder a enfriar NF y calentar NC corrientes. Si representa en una matriz por filas y columnas a cada una de ellas, se tiene en principio una forma de estimar la cantidad de distintas posibilidades de intercambio entre ellas, dado que las corrientes de mayor temperatura pueden enfriarse calentando a las de mayor temperatura. Ello ahorra vapor de calefacción y agua de enfriamiento. ¿Puede representarse este problema en una estructura de árbol como la indicada para los anteriores?. ¿Qué sucede si aumentan progresivamente NF y NC ?. P4) Resuelva nuevamente asignando distintas combinaciones de pesos relativos a la función de evaluación para el ejemplo de ordenado de números. Suponga que la dimensión del problema es nueve, como en el caso tratado. P5) ¿En qué situación se le ocurre que deba combinarse la exploración en árboles con el cálculo numérico clásico para resolver un problema?. Suponga por ejemplo que
  • Cap. I - Pág. 28 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 explora posibles funciones de evaluación para encontrar una secuencia de columnas de destilación de costo óptimo en el Problema (2). P6) ¿Qué diferencias encuentra entre el cálculo simbólico y el numérico desde el punto de vista de la programación de algoritmos aptos para los mismos?. ¿Cuál es la diferencia fundamental en cuanto a los resultados que nos brinda una y otra filosofía de resolución?. P7) ¿Por qué motivo es preferible intentar programar un modelo antes que utilizar paquetes comerciales para tal fin?. ¿Cuándo esta estrategia pierde sentido?. BIBLIOGRAFÍA RECOMENDADA  Blanning, W. R. y D. King, Organizational Intelligence. AI in Organizatio- nal Design, Modeling, and Control, IEEE Computer Society Press (1996).  Davis, J. F., G. Stephanophoulos y V. Venkatasubramanian Editors, International Conference on Intelligent Systems in Process Ingenieering, CACHE, AICHE Symposium Series, Vol. 92 (1996).  Hollnagel, E., G. Mancini y D. Woods, Cognitive Engineering in Complex Dynamic World, Academic Press (1980).  Negoita, C. V., Expert Systems and Fuzzy Systems, The Benjamin Publis- hing Co. (1985).  Pearl, J., editor, Search and Heuristics, Nort Holland Co. (1983).  Pyle, I. C., The ADA Programming Language, Prentice Hall (1985).
  • Cap. II - Pág. 29 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 CAPÍTULO II INTRODUCCIÓN AL DISEÑO DE PROCESOS QUÍMICOS. BREVES NOCIONES Por Nicolás J. Scenna y Sonia J. Benz II.1 INTRODUCCIÓN En el capítulo anterior se discutió someramente acerca de la existencia de distintos tipos de modelos y diferentes herramientas informáticas para implementar éstos. Se comentó que, para el diseño de equipos específicos o bien para la resolución de balances de materia yenergía, por lo general, es suficiente aplicar procedimientos analíticos o numéricos apropiados para la resolución de sistemas de ecuaciones, ya sean algebraicas o diferenciales. Sin embargo, también se puntualizó que, cuando el problema es crear un proceso o diagrama de flujo para obtener ciertos productos a partir de determinadas materias primas (diseñodel proceso), el conocimiento yel tipo de modelos a utilizar, son sustancialmente distintos. La temática a abordar en los capítulos posteriores está centrada en resolver los balances de materia y energía. La simulación de los procesos químicos, tanto estacionaria comodinámica y, eventualmente, la optimización del sistema conforman el tema central de esta obra. Por el contrario, el objetivo del presente capítulo radica en la introducción a la metodología de diseño de un proceso, incluso desde la generación de su diagrama de flujo (flowsheet) y estructura. Esto es importante, ya que no resulta apropiado simular u optimizar un proceso si paralelamente no nos cuestionamos acerca de la génesis del mismo o de las reglas que permiten en una forma sistemática, crear y evaluar diferentes alternativas para el diseño, de forma de poder decidir entre ellas de una manera adecuada. La síntesis de procesos es una de las tareas más complejas y exigentes confrontada por el ingeniero químico. Desde un punto de vista pragmático, el uso de técnicas de síntesis de procesos se introdujo lentamente como consecuencia de las condiciones cambiantes en la producción industrial y el surgimiento de tremendos avances productivos y tecnológicos. En este punto, conviene aclarar que la mayoría de los procesos químicos en uso en la actualidad surgieron hace mucho tiempo, cuandonoexistían métodossistemáticos para la generación de las estructuras óptimas de los mismos (camino de reacción, redes de intercambio, sistemas integrados, trenes
  • Cap. II - Pág. 30 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 de separación, etc.). Resulta lógico pensar, por lo tanto, que estas innovaciones se fueron dando parcialmente, paso a paso, con el transcurso del tiempo. Desde este punto de vista, resulta ilustrativo el análisis de la evolución de las tecnologías utilizadas en los distintos procesos químicos (Rotstein y Stephanopoulos, 1979). En efecto, dado que en todo proceso químico existe la transformación fisicoquímica de materias primas en los productos deseados, se puede calcular el trabajo mínimo asociado (calculado termodinámicamente como un proceso ideal o reversible). Por lo tanto, se dispone de al menos un elemento de comparación, punto de referencia ideal u objetivo a alcanzar. Dicha magnitud sirve para comparar el consumo real de cualquier alternativa con respecto al trabajo mínimo. En este contexto, es interesante observar la evolución de diferentes procesos pertenecientes a diversos campos (no sólo a la industria química) que, mediante la incorporación de nuevos métodos y tecnología en el diseño, han avanzado hacia alternativas más interesantes ypróximas a la óptima, respondiendo a la curva sigmoidea comentada en I.1. Resulta complejo plantear en función de un esquema formal, la actividad de diseño en la ingeniería de procesos. En primer lugar y en forma simplificada, se podría afirmar que un proceso químico está vinculado al tratamiento de materiales, mediante transformaciones fisicoquímicas y/obiológicas, y/o procesos de separación física. En forma genérica, se denomina proceso a la unidad o sistema estructural de transformación por medio del cual los materiales que ingresan se transforman en los productos deseados. Esta unidad o sistema estructural está compuesto por módulos (equipos u operaciones unitarias), encargados de realizar tareas específicas (separación, calentamiento, reacción química, etc). Los equipos están conectados entre sí por medio de las corrientes que los vinculan, con el objeto de satisfacer la(s) tarea(s) especificada(s) de la mejor manera posible. Para utilizar un lenguaje común, se adopta un simbolismo esquemático que permite visualizar la topología (esquema estructural del proceso), que constituye el diagrama de flujo o flowsheet. Sin embargo, éste poco puede aportar a menos que se especifiquen condiciones de operación (temperaturas, presiones, etc.) y las propiedades asociadas a las corrientes. Existen, por lo tanto, dos grandes grupos de variables que deben ser diferenciadas. En estecontexto, llamamosvariablesestructuralesa aquellasqueestán íntimamente ligadas a la estructura del flowsheet, es decir, que especifican la presencia de los distintos equipos y su diagrama de interconexiones. Por otro lado, están lasvariablesde operaciónquerepresentan condicionesoperativas(temperatura, caudal, presión, etc.), y ciertas características funcionales de los equipos, como ser áreas, número de etapas, etc., por lo general identificadas como parámetros de diseño. De hecho, existen numerosas variantes para el armadodel diagrama de flujo de un proceso determinado, como así también, numerosas posibilidades para la asignación/especificación de las variables de operación y parámetros de equipo. El diseñador deberá optar por algún conjunto de ellas, de manera tal de optimizar la
  • Cap. II - Pág. 31 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 estructura resultante en función de los distintos aspectos funcionales a considerar en la operación de plantas químicas. Nótese que cualitativamente, este problema no es distinto al que enfrenta un arquitecto al diseñar un edificio para ciertos fines, o un ingeniero eléctrico al diseñar un circuito para determinado objetivo. Por consiguiente, la tarea de diseño lleva implícita la necesidad de seleccionar dentro de un espacio de posibilidades, aquellas alternativas que en base a un criterio predeterminado, cumplan con los objetivos deseados. En la búsqueda de lograr un planteo formal del problema de diseño, conviene plantear una función objetivoadecuada a ser optimizada. En estepunto, convieneexplorar losobjetivosque se esperan de un proceso químico en general. Es bien sabido que toda actividad productiva de bienes o servicios se encuentra permanentemente sujeta a un marco de referencia en función del cual se evalúa su factibilidad. Sin pretender analizar los distintos enfoques para cuantificar los beneficios de un proyecto (privado, social, micro-económico, macro-económico, etc.) el marco económico constituye la fuente cuyo veredicto resulta inevitable de contemplar en toda actividad de ingeniería. Por lo tanto, costos de operación, inversión, tasa de retorno, etc., son criterios que generalmente se tienen en cuenta en la función objetivo a optimizar. Ahora bien, no es el factor económico el único componente que define la operabilidad de un complejo o proceso químico. En efecto, existen una serie de aspectos que necesariamente deben ser contemplados, como por ejemplo, elasticidad que se refiere a la habilidad del proceso para tolerar condiciones adversas tales como perturbaciones o variación en los parámetros, o flexibilidad que se refiere a la capacidad estructural y operativa del proceso para mantenerse funcionando con la mejor performance cuando las condiciones operativas corresponden a un rango de condiciones de diseño, o controlabilidad, confiabilidad, impacto ambiental, etc. Consecuentemente, el problemaaresolver esmulti-objetivo(TakamayUmeda, 1980). Estos problemas se caracterizan por noposeer una única solución. En efecto, se arriba a un conjunto mínimo de soluciones no dominadas. Por lo tanto, decidir entre las mismas, lleva implícito subjetivamente la preferencia del diseñador respecto de los objetivos. Una característica muy importante a tener en cuenta respecto de la función objetivo a plantear en la tarea de diseño, refiere a su facilidad de ser representada (o modelada) matemáticamente. En efecto, si bien existen objetivos expresables como funciones matemáticas (ya sean continuas, discontinuas o discretas), existen aquellos que no pueden ser representados bajo esta perspectiva. Dentrode este contexto, el problema completo, si es que puede formalizarse, podría ser formulado desde el punto de vista de la programación matemática como uno de optimización múltiple objetivo. Optimice {f1(x), f2(x).......fN(x)}
  • Cap. II - Pág. 32 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Sujeto a (1) h(x ) = 0 g(x ) > 0 Las funciones f1(x), f2(x),.......y fN(x) representan las N funciones objetivos a optimizar (minimizar omaximizar). Las funciones h(x) expresan generalmente, las restricciones correspondientes a los balances de materia y energía, mientras que las restricciones g(x) expresan zonas de operación factible, por ejemplo composiciones positivas, temperaturas positivas, restricciones propias del proceso, etc. El vector x comprende variables o parámetros de operación y variables estructurales. Una simplificación que se suele adoptar consiste en expresar todos los objetivos en una “única medida”, que generalmente es económica. Obviamente, este enfoque, además de ser una simplificación, no siempre es posible. Por último, aún con una única función objetivo, se deben resolver aún los otros problemas, por ejemplo, cómo manejar la variable estructural. En este contexto, debe encontrarse una metodología adecuada para resolver el problema matemático resultante. Por ejemplo, uno de los métodos propuestos para manejar las interrelaciones que vinculan los equiposentresí yconsiderar las variables estructurales consiste en utilizar variables enteras (ceros y unos). Es decir que para considerar simultáneamente las variables estructurales (enteras) y las variables operativas(reales), seacudealaprogramación matemáticamixta(Grossmann, 1985). Por otra parte, las funciones que describen los procesos químicos son por lo general fuertemente no lineales, por lo cual el programa matemático asociado, es obviamente no lineal. Otra característica, no menos compleja, asociada al vector de variables que debe considerarse en el modelado matemático del sistema, es el hecho que varias variables pueden tener un comportamiento aleatorio. Esto es, debido a características inherentes al proceso, factores climáticos o de mercado, etc., las variables de operación no tienen valores únicos y/o fijos sino que pueden fluctuar en torno a un valor estable, normal o nominal, admitiendo cualquier valor comprendido en un determinado rango de incertidumbre. Un ejemplo de esta problemática en la formulación de los problemas de síntesis de redes de intercambio calórico flexibles y de trenes de destilación integrados flexibles, puede verse en Galli (1990) y Benz (1991), respectivamente. Cabe mencionar que más que interesados en analizar específicamente el problema de optimización, que será abordado en el Capítulo XI y XII, contemplando solo una serie de problemas simplificados relacionados con procesos a estructura dada, aquí nos interesa bosquejar la naturaleza del problema cuando es planteado en su forma global, y resaltar la dificultad inherente cuando se pretende modelar todos los aspectos a tener en cuenta en los procesos reales. Resulta redundante en este punto, afirmar que en el estado del arte actual, el problema de diseño planteado
  • Cap. II - Pág. 33 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 previamente (esto es, optimización multi-objetivonolineal, con variables de decisión tantocontinuascomodiscretas, variablesestructurales, variablesaleatorias, funciones no lineales y funciones difícilmente expresables matemáticamente), resulta de solución prácticamente imposible. Han sido muchos los intentos de resolver, aunque sea parcialmente, el problema global. Sin embargo, todos los métodos propuestos son sólo efectivos para casos de muy pequeña dimensión. Para las funciones no expresables matemáticamente, así como para el tratamiento de la incertidumbre que involucra la toma de decisiones en áreas subjetivas por parte del diseñador, se están consolidando las herramientas que se basan en el concepto de inteligencia artificial y sistemas expertos, de los cuales una somera idea se ha desarrollado en el capítulo anterior. Sin embargo, si bien se ha avanzado enormemente, las herramientas más recientes sólo cubren aspectos parciales en la tarea de diseño, y no la problemática global en forma unificada. II.2 ETAPAS EN LA TAREA DE DISEÑO Para modelar un problema complejo como el descripto, que no es posible resolver basándose en una herramienta o algoritmo matemático que involucre todos los aspectos a considerar en forma simultánea, resulta lógico recurrir a la metodología desarrollada en el campo de la teoría general de sistemas (Umeda 1982). En efecto, tal como se expuso en la sección I.4., dada la elevada magnitud y complejidad del problema que nos ocupa, es muy útil adoptar la estrategia de subdividirlo en subproblemas que sean factibles de ser abordados y, a partir de las soluciones parciales generadas, encontrar la solución al problema global. Dentro de este contexto, las etapas secuenciales aconsejadas para realizar la tarea de diseño, comprenden: (1) la definición del problema, (2) el establecimiento de la función objetivo, es decir, la determinación de los criterios en función de los cuales deben seleccionarse alternativas, (3) la síntesis del sistema propiamente dicha, que implica la génesis del conjunto de alternativas estructurales posibles, y por último, (4) la reducción del espacio de alternativas, seleccionando aquellas que cumplan en forma óptima con las especificaciones establecidas. En consecuencia, la etapa de síntesis en el diseño del proceso es el paso creativo que implica la determinación ygeneración del conjuntodealternativasestructuralesposiblescapaces de cumplir con los objetivos especificados. Queda claro que la síntesis de un proceso involucra decisiones en dos espacios distintos: (a) el espacio de las diferentes alternativas estructurales, definidas por la topología y la naturaleza de las interacciones entre las unidades; (b) el espacio de los diseños alternativos para cada una de las unidades de operación que componen el sistema. En contraste con la etapa de síntesis, la etapa de análisis implica la investigación de las características de cada alternativa generada, por ejemplo, mediante la evaluación de las variables de salida, conociendo las características del sistema y las variables de entrada. Por lo general
  • Cap. II - Pág. 34 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 se utilizan reglas heurísticas con las cuales es posible reducir el número de estructuras generadas en la etapa de síntesis. La tarea de optimización se plantea generalmente en la etapa de análisis, y permite seleccionar el mejor sistema entre las alternativas posibles. Por lo general, la optimización del sistema en el primer espacio de decisiones se formula como un problema de programación entera mientras la optimización en el segundoespacioresulta en un problema deprogramación continua, no-lineal. La naturaleza mixta entero-real del problema de optimización, su no linealidad y su alta dimensionalidad, crea un problema matemático difícilmente superable. Dentro de este contexto, se comprende que el núcleo central de la tarea de diseño en la ingeniería de procesos, de acuerdo a la visión de la descomposición del problema global en sub-problemas o etapas independientes, está constituido por el lazo iterativo síntesis/ análisis/ evaluación-optimización. Consecuentemente, no resulta extraño desde una perspectiva histórica, la aparición cronológica de procedimientos o algoritmos para implementarlas, en general como instrumentos independientes. No obstante, aún hoy (y en el futuro a mediano plazo), el alcance de las herramientas o metodologías de implementación masiva propuestas resulta parcial. En efecto, no existe posibilidad práctica de implementar una herramienta efectiva o algoritmo de cálculo, o procedimiento secuencial, que contemple simultáneamente todas las etapas y variables que deben necesariamente ser tenidas en cuenta. Esto podrá revertirse en un futuro, pero dada la complejidad del problema, todavía habrá de dedicarse mucho esfuerzo de investigación al respecto y muy probablemente deberá esperarse bastante tiempo para lograrlo. Debido a la elevada dimensión de los problemas asociados a la tarea de diseño, su elevado índice combinatorio (propios de la expansión en árboles como en el ejemplo analizado en la sección I.4) y la gran cantidad de información que debe manejarse, la única herramienta viable para tal fin resultan ser los métodos computacionales. La etapa de análisis fue la primera en desarrollarse y manifestarse bajo esta óptica. En efecto, en la década del 70 comienza a consolidarse una línea de investigación que abarca los métodos computacionales en la ingeniería química; en particular la simulación de procesos por computadora o process flowsheeting, como una parte de una actividad más general, la actividad del diseño de procesos asistido por computadora (Computer Aided Design-CAD-). En forma similar, con respecto a la etapa de síntesis, los conceptos utilizados para la construcción de algoritmos se nutren de los más variados campos del conocimiento. Programación mixta, álgebra booleana, termodinámica, computación, sistemas expertos, etc., son algunos de los basamentos conceptuales que dieron sustento teórico a los diversos algoritmos propuestos para la generación de estructuras y la selección de la óptima. Complementando la idea expuesta más arriba, además de no existir una herramienta computacional (programa o algoritmo) capaz de resolver el problema
  • Cap. II - Pág. 35 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 del ciclo completo de actividades en la tarea de diseño, debido a la gran variedad de alternativas que deben contemplarse, tampoco existe algoritmo efectivo para la síntesis de procesos genéricos completos. A medida que se simplifica (particiona) el problema, es decir, se adoptan subsistemas del complejo a diseñar, los algoritmos propuestos se caracterizan por su mayor contenido formal ysu robustez. Tal es el caso de la síntesis de trenes de destilación, con o sin integración energética, sistemas de control, redes de intercambio calórico, caminos de reacción, etc. Sobre estos métodos existe numerosa bibliografía, pudiéndose citar como revisiones relevantes los siguientes trabajos: Hendry y col. (1973), Hlavacek (1978), Nishida y col. (1981),Westerberg (1980), entre otros. Para ejemplificar el problema, supongamos un proceso genérico que contempla una etapa de reacción a la cual ingresan dos corrientes que contienen los reactivos, y como producto se obtiene una corriente líquida. Como se indica en la Figura (II.1), los reactivos no reaccionados, al igual que los productos colaterales o secundarios deben ser separados de los productos finales. Además, por razones de economía, los reactivos no reaccionados se reciclan al sistema, ya que la conversión noes muyelevada yla reacción, que es exotérmica, está limitada por equilibrio. Dado que los productos deben enfriarse a temperatura ambiente, existe la necesidad de establecer un intercambio calórico para lograr tal objetivo. Con el objeto de recuperar energía, se utilizan las corrientes de productos para precalentar las corrientes que ingresan al reactor. En la Figura (II.1) se esquematizan las secciones genéricas del proceso, tales como el bloque o sección de reacción, el de separación, el de intercambio calórico (representadopor los diversos intercambiadores indicados), etc. Este problema es el típico caso con el cual se ejemplifica la necesidad de optimizar una relación de reciclo, ya que los tamaños relativos de los equipos en las diversas secciones, además de la conversión alcanzada y la extensión de las reacciones no deseables o secundarias, son función del mismo. Dentro de este contexto, plantearse la síntesis del proceso completo implica la generación de las alternativas estructurales correspondientes a todos los bloques especificados. Más aún, se puede plantear además la posibilidad de nuevas materias primas, nuevoscaminosde reacción, otras temperaturas opresionesdeoperación para minimizar reacciones secundarias, etc. Como se desprende y merece remarcarse, el espacio de alternativas a explorar es sumamente extenso, aún para un problema sencillo como el planteado. Si se particiona el problema global en sub-problemas, se puede plantear la síntesis del sistema de reacción, la del sistema de separación, la del sistema de intercambio calórico, y la de otros subsistemas en forma separada del resto. Este es el único enfoque factible hasta el presente al enfrentar un proceso genérico, y en la próxima sección se discutirán someramente algunos aspectos característicos.
  • Cap. II - Pág. 36 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Reactivo B Reactivo A Esquema en bloques de un proceso genérico. Purga Reactivo A Reciclo Producto REACCION SISTEMA DE SISTEMA DE SEPARACION Reactivo B Producto 3 Producto 2 Producto 1 SISTEMA DE TERMICO INTERCAMBIO Figura II.1 II. 3 LA TAREA DE SÍNTESIS DE PROCESOS QUÍMICOS Una vez analizado o introducido brevemente el problema general del diseño de procesos químicos, aquí nos ocuparemos de una de sus etapas, aquella en la cual debemos centrarnos principalmente en la generación de alternativas estructurales eficientes que satisfagan el/los objetivo(s) deseados para nuestro proceso. El problema de síntesis puede ser definido simplemente como una tarea de invención de la estructura y la determinación de las condiciones operativas del proceso. El término fue definido originariamente por Rudd (1968). La importancia de las estrategias de síntesis de procesos pueden comprenderse tomando en cuenta el hecho que para cada nueva idea o nuevo producto, generalmente sólo menos del uno por ciento sobrevive para lograr el status de diseño definitivo o rentable. También es común que para la selección del flowsheet definitivo del proceso, se descarten más de 1010 alternativas; estoes, durante el proceso de diseño se deben generar (yevaluar) ese número explosivo de opciones. Entonces, es muy fácil comprender la meta: generar herramientas para la síntesis de procesos que minimicen el esfuerzo para crear, evaluar y optimizar todas las alternativas posibles para el mismo, dados sólo unos pocos datos a partir de los cuales el diseño del proceso debe ser originado.
  • Cap. II - Pág. 37 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Obviamente, al igual que los heurísticos utilizados en el ejemplo de la sección I.4, deberán encontrarse procedimientos para evitar explorar todos los nodos en la expansión del árbol de alternativas correspondientes. Más aún, el problema de diseño es abierto debido a que es muy difícil seleccionar una solución. Muy probablemente sea posible encontrar (con mayor esfuerzo) opciones competitivas para una solución que se presente como diseño final, ya que como mencionamos, existen múltiples objetivos simultáneos que deben considerarse. De acuerdo a Westerberg (1980) la síntesis de procesos es la actividad de toma de decisiones para conjeturar, por ejemplo, (a) cual de las muchas partes componentes disponibles debieran usarse, o (b) como estas partes deberían interconectarse oensamblarse para estructurar la solución óptima a un dadoproblema de diseño. El desafío puede plantearse tanto para crear un nuevo proceso o para mejorar de acuerdo a un dado objetivo, uno existente. Según vimos, la tarea de diseño involucra un procedimiento iterativo, en el cual la etapa de síntesis está siempre seguida por una etapa de análisis, la cual determina si la estructura y los parámetros propuestos funcionarán como se espera (Stephanopoulos, 1981). Si las metas de diseño no se alcanzan, se requiere un nuevo paso de síntesis para crear o una solución factible o una solución mejorada. Acerca de las metas u objetivos a alcanzar durante el diseño del proceso, puede mencionarse que la productividad y rentabilidad, además de la confiabilidad, controlabilidad y otros factores son siempre deseados, pero se sabe que son objetivos en competencia. Todos los procesos requieren, por ejemplo, flexibilidad para tener en cuenta el ensuciamiento, la desactivación catalítica, cambios en la alimentación, cambios en la demanda y en las especificaciones del producto, variaciones en la operación estacional, etc. Estas modificaciones en las condiciones operativas del proceso requieren modificaciones en el diseño de muchas unidades (por ejemplo intercambiadores de calor, reactores y separadores). Por otra parte, es necesario analizar la factibilidad del arranque y parada del proceso, dado que en muchos casos buenos diseños nominales deben abortarse debido a problemas insalvables en las citadas operaciones. Finalmente, existe una creciente necesidad de considerar restricciones ambientales en el diseño, dado que aun cuando algunas alternativas parecen prometedoras desde el punto de vista del costo y de la operabilidad, deben eliminarse cuando se analiza el problema de los efluentes. Resumiendo, cuando se plantean varios objetivos simultáneamente, por lo general, éstos se encuentran en conflicto entre sí, y debe adoptarse una técnica para la toma de decisiones óptima en cada caso. Además, para poder encontrar una respuesta válida, debe disponerse de herramientas apropiadas. Definitivamente y debido a la complejidad del problema, la secuencia de la etapa de síntesis seguida por una de análisis es iterativa hasta que se encuentra un diseño satisfactorio. Ambos pasos pueden involucrar desde el uso de modelos muy
  • Cap. II - Pág. 38 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 simples a bastante complejos; por ejemplo, técnicas auxiliares de computación que ayudan al ingeniero a manejar variables estructurales (generación de estructuras expandiéndolas en un árbol o método equivalente) y la evaluación de los costos (que involucra el diseño preliminar de los equipos y a su vez implica la resolución de los balances de materia y energía y a veces de cantidad de movimiento) para analizar su viabilidadtécnica yeconómica. Para elloserán necesariasherramientasdesimulación estacionaria y/o dinámica, programas de costeo, optimización, programas de diseño de equipos, etc., los cuales serán analizados en los capítulos siguientes. El objetivo ideal, harto difícil de lograr, es incorporar y crear metodologías eficientes y métodos de diseño automatizados o asistidos por computadora, que contemplen todos estos aspectos en un modelo, implementado en un procedimiento, metodología o herramienta única. Descomposición del problema en sub-problemas Cuando se enfrenta un problema complejo, la experiencia y los postulados de la teoría general de sistemas aconsejan una división (partición) del mismo en sub- problemas más sencillos, con una determinada estrategia, para luego componer la solución a partir de las soluciones parciales. Existen muchas alternativas de descomposición para elegir y lograr una solución adecuada para un problema dado, pero se requiere encontrar la mejor para cada diseño específico. La estrategia de descomposición óptima dependerá del problema de diseño a resolverse. Las pautas señaladas por Westerberg y col. (1979), también contempladas en la llamada estrategia de la cebolla (Linnhoff y Townsend,1982), (Shenoy, 1995) y el enfoque jerárquico de Douglas (Douglas, 1988) entre otros, son ejemplos de procedimientos de descomposición. De las mencionadas, una de las estrategias más naturales y sencillas de comprender es la propuesta por Douglas (1988). En efecto, se propone que el problema de síntesis yanálisis para el proceso completo, definidocomouna actividad creativa bajo la cual se generan las ideas y se traducen en los equipos y procesos para producir nuevos materiales, puede descomponerse en un enfoque jerárquico. Esta estrategia, como la actividad de un pintor haciendo un bosquejo preliminar, implica evolucionar hacia la solución a través de sucesivos refinamientos de una solución inicial aproximada. Se propone una estrategia de diseño desarrollando en principio, soluciones muy simples para luego agregar capas sucesivas de detalles. El enfoque jerárquicodescompone al problema completoen una serie de sub- problemas usando una jerarquía de decisiones. Para procesos petroquímicos, o procesos donde predominen los sistemas líquido-líquido o líquido-vapor, la jerarquía de decisiones puede sintetizarse muysomeramente en los pasos de toma de decisiones secuenciales siguientes:  Decidir entre procesos batch versus procesos continuos.
  • Cap. II - Pág. 39 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999  Decidir la estructura de reacción.  Adoptar la estructura de entrada-salida del proceso.  Adoptar la estructura de ciclos del proceso (corrientes de reciclo).  Adoptar la estructura general del sistema de separación.  Diseñar la estructura que permita la integración energética a los efectos de minimizar el consumo. En el caso que se trate de procesos batch o procesos en los que debe manejarsesólidos, esnecesariointroducir otrassecuenciasdedecisiones(ver Douglas, 1988). Obviamente, dado que la jerarquía de decisiones es heurística en su naturaleza, es posible incorporar un nuevo orden o nuevos pasos en la estrategia o procedimientos de decisión, luego de acumular nuevas experiencias. Debe notarse que se fija un orden de prioridades relativas al fijar la secuencia de sub-problemas a resolverse. Por ejemplo, se supone más conveniente preocuparse primero por la estructura de reacción y el flujo de materiales, que por la red de intercambio calórico. No obstante, muy probablemente cuando se llegue a la etapa de diseño de la red de intercambio, deban modificarse decisiones tomadas en etapas anteriores, lo cual implica el ya anticipado proceso iterativo, hasta lograr un diseño final conveniente. Cualquiera sea la estrategia elegida, es importante que cada solución parcial obtenida severifiqueconsiderandoel problema completo. Sedebepor lo tanto implementar la retroalimentación de la información hacia los pasos anterior y posterior durante el ciclo de etapas de la tarea de diseño (lazo de iteración). Otra metodología, el modelo de la cebolla - ver Figura (II.2)-, provee una especie de cuadro esquemático de la jerarquía adoptada para la partición del diseño de procesos en diversos subsistemas. Aquí, comenzando con síntesis de los caminos de reacción química, el corazón de la cebolla, se evolucionará hacia el diseño de la red de reactores, considerando la selectividad y capacidad. El diseño del reactor y las especificaciones de productos determinarán el diseño del subsistema de separación (y reciclos), que forma la tercer capa de la cebolla. Las tareas de reacción yseparación definen en gran parte los requerimientos de energía y, por lo tanto, la cuarta capa involucra la síntesis de la red de intercambio energético o de intercambiadores de calor. Dado que la recuperación de energía entre corrientes de procesos es generalmente insuficiente para encontrar las necesidades de energía total, se requiere de servicios auxiliares externos. Por lo tanto, la quinta capa de la cebolla es el diseño del sistema auxiliar. Para considerar cuestiones de operabilidad (como ser flexibilidad, controlabilidad, etc.) la capa final involucra el diseño del sistema de control. Como se remarcó más arriba, se debe enfatizar que ninguna “capa de la cebolla” puede diseñarse antes de especificar las capas internas. Simultáneamente, las capas internas no pueden lograrse sin diseñar la “cebolla completa” y considerar las interacciones.
  • Cap. II - Pág. 40 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.2: Modelo de la cebolla Consecuentemente, se necesitan estrategias efectivas -fáciles de usar y adecuadas para obtener las soluciones óptimas- para encarar la síntesis de todos los subproblemas o subsistemas arriba planteados, permitiendo reducir el esfuerzo y tiempo requeridos para completar el diseño completo, esto es, el recorrido ida y vuelta, iterativamente, por las capas jerárquicas indicadas. Deaquí secomprendela importancia de contar con procedimientosefectivos para la síntesis de subunidades de procesos, tales como redes de intercambiocalórico, etapas o caminos de reacción, secuencias de destilación (con o sin integración energética), estructuras de control, sistemas de servicios auxiliares, sistemas integrados de generación de potencia y energía, etc. En este contexto, una de las primeras contribuciones en el área fue la comprensión de los flujos energéticos en los procesos, a través de los trabajos debidos a (Hohmann, 1971), (Linnhoff y Flower, 1978) y (Umeda y col. 1979b) entre otros. La segunda área fue la síntesis del sistema de separación, abarcando en un principio sólo los procesos basados en destilación de sistemas ideales para lograr , a partir de una mezcla dada, productos puros, a través de las contribuciones debidas a (Hendry y Hughes, 1972), (Rudd y col., 1973) y otros. Luego, el área se extendió hacia la síntesis de sistemas más complejos que incluyen mezclas noideales, sistemas integrados, etc., según puede juzgarse a partir de los trabajos de (Koehler y col., 1992), (Kaibel y col., 1987) entre otros. Existen también metodologías que contemplan otras técnicas de separación como destilación extractiva, destilación reactiva, evaporación, cristalización, membranas, etc. Obviamente, a medida que se agregan opciones, la dimensión del problema se incrementa velozmente. La síntesis de secuencias o caminos de reacción para producir un compuesto especificado (o varios) -estoes, la selección de las materias primas yla determinación
  • Cap. II - Pág. 41 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 de la secuencia de reacciones químicas que transformen materias primas disponibles en el mercado en los productos deseados-, se relaciona con el problema de síntesis del sistema de reactores. Los reactores son el corazón del proceso. Así, la síntesis de este sistema es muy importante. En muchos casos prácticos, la síntesis de las etapas o caminos de reacción (de las diferentes materias primas a los productos deseados) se plantea en forma desarticulada respecto de la síntesis de la estructura de la red de reactores, debido a la complicación que conlleva el diseño unificado desde el punto de vista operacional. Síntesis de caminos de reacción Para química fina y de las especialidades, al igual que otros productos, el camino de reacción es un punto clave para sintetizar un proceso factible. Para que un camino de reacción sea comercialmente conveniente debe ser técnica y económicamente eficiente; esto es, la reacción debe poder realizarse en condiciones normales y el valor del producto debe ser superior a los costos involucrados totales. Las principales incógnitas se refieren a la selección de las materias primas a ser utilizadas, a la secuencia en que deben introducirse las mismas y cuáles deberían ser las reacciones químicas a emplearse, para superar la diferencia en la naturaleza de las especies entrantes y salientes. En la última década se desarrollaron muchas herramientas prácticas para la síntesis de diversos tipos de moléculas, como resultado del desarrollo de la química orgánica e inorgánica, la bioquímica, biología molecular y la biotecnología. (Corey y col., 1969), (Wipke, 1974), (Gelernter, 1973) entre otros, propusieron los primeros métodos para sintetizar moléculas orgánicas. Más tarde, con el objeto de mejorar la eficiencia de las estructuras de producción existentes, (May y Rudd, 1976), (Argnihotri y Motard, 1980), (Govind y Powers, 1981) entre otros, analizaron el mismo problema introduciendo la optimización de costos. Al plantear el problema de síntesis de los caminos de reacción, se pueden identificar básicamente cuatro objetivos a optimizar: i.- los costos del sistema de producción resultante (minimizar), ii.- el número de los pasos de reacción requeridos (minimizar) , iii.- la conversión y la producción (maximizar), y iv.- el uso intensivo de las materias primas básicas (maximizar), (por ejemplo, el carbón el la industria petroquímica). Se ha avanzado considerablemente en el desarrollo de procedimientos efectivos para generar estructuras de pasos de reacción alternativos. Esas estrategias pueden clasificarse en dos categorías, según empleen métodos analíticos o basados en la información acumulada a través de la experiencia humana. Los métodos basados en el análisis son más recientes yutilizan representaciones rigurosas para la creación e innovación de secuencias de reacción alternativas previamente desconocidas, pero al mismo tiempo, generan un gran número de pasos de reacción obsoletos. Los
  • Cap. II - Pág. 42 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 métodosbasadosen la información acumulada en paquetescomputacionales, permiten generar secuencias que si bien, son atractivas para el diseñador, suelen carecer de imaginación, ya que ellos simplementeorganizan ysistematizan la química conocida. Sin embargo, con la mejora en los métodos basados en inteligencia artificial se logran herramientas cada vez más potentes y efectivas, tomando las ventajas de ambos enfoques. Síntesis del sistema de reactores Una vez que se seleccionaron las reacciones químicas a realizarse en el proceso, debemos sintetizar el sistema de reactores. Esto es, qué tipo de reactores conviene utilizar, (por ejemplo, si son del tipo batch, reactores tanque agitados continuos, tubulares, de lecho fluidizado, etc.), cuántos reactores y cómo deben estar interconectados entre sí y/o con el proceso completo. Entonces, en base al número de pasos de reacción, interesan las interconexiones entre los reactores a ser usados, etc. (Umeda yIchikawa, 1972). Esteproblema puedeconsiderarseaisladoocontemplando simultáneamente la integración del sistema de reactores al procesocompletodesde un punto de vista energético. La síntesis conjunta con las redes de intercambio calórico ysistemas integrados de potencia yenergía, ola integración a subsistemasde procesos que intercambian trabajo o energía, generalmente producen mayores reducciones en el consumo, pero son más complicados de resolver. Síntesis de sistemas de control de procesos La síntesis de la estructura de control del procesoapunta a determinar cuáles variables deben ser medidas para monitorear completamente un proceso, cuáles variables deben ser usadas comovariables manipuladas ycómo deberían relacionarse las variables medidas con aquellas manipuladas (lazos de control) de manera de lograr los objetivos propuestos. En general, se trata de optimizar algún índice dinámicooestático, indicador de la performance del sistema de control, como por ejemplo, errores en estado estacionario, gradodeinteracción entre los lazos, velocidad de la respuesta transiente, suavidad de la respuesta, rango de operabilidad, etc. Por otra parte, se han ideado diversas estrategias para generar estructuras de control apropiadas. Por ejemplo, Govind y Powers (1978) plasmaron modelos simples del proceso en grafos causa- efectoygeneraron todas las estructuras de control posibles basadas en lazos de control simple, simple entrada ysimple salida. Morari ycol. (1980) presentaron un desarrollo formal de todas las estructuras de control factibles a través del uso de conceptos generalizados de controlabilidad estructural. Por otra parte, Umeda y Kuriyama (1978) en base a la descomposición del flowsheet del proceso, propusieron primerodiseñar estructurasdecontrol individuales para cada unidad y luego realizar sobre ellas los ajustes necesarios para reconciliar cualquier posible conflicto emergente del primer nivel de síntesis.
  • Cap. II - Pág. 43 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 El espacio de los diseños de estructuras de control factibles se puede definir a través de rangos permitidos en las ganancias del proceso, tiempos muertos, constantes de tiempo, grados de interacción, etc. Para la síntesis del sistema de control, es importantecontemplar en loposible técnicas que puedan utilizarse durante la etapa de diseño del proceso utilizando criterios de operabilidad y controlabilidad, contrariamente a las antiguas estrategias donde la síntesis del sistema de control seguía a la síntesis y al diseño del proceso. Comentadasbrevementelascaracterísticasprincipalesacerca delosmétodos de síntesis de las sub-unidades sobre las cuales se han propuesto metodologías implementables, a los efectos de proceder una a una con las etapas descritas en el procedimiento iterativo de diseño, a continuación se describirán con mayor detalle algunos conceptos básicos acerca del problema de síntesis de redes de intercambiadores y de las secuencias o trenes de equipos de destilación, recomendando al lector interesado en complementar estos temas la bibliografía al final del capítulo. II.3.1 Síntesis de la Red de Intercambiadores En un proceso, existente o a diseñar, usualmente es posible separar las operaciones tendientes a recuperar calor del resto de las operaciones (por ejemplo, transformaciones químicas, transformaciones físicas, separaciones, etc.). En otras palabras, aquí nos interesa diseñar o sintetizar la estructura óptima del bloque de intercambio calórico, estando determinadas las demás funciones del proceso. Un problema de síntesis de redes de intercambio calórico se define típicamente como sigue: Dado: i. Un conjunto de corrientes calientes a ser enfriadas y un conjunto de corrientes frías a ser calentadas. ii. Las velocidades de flujo y las temperaturas de entrada y salida de todas las corrientes. iii. La capacidad calorífica de todas las corrientes como una función de la temperatura. iv. Los servicios auxiliares disponibles y sus costos, además de los costos de capital (inversión en equipos). Determinar la estructura que se corresponda con el costo total anual mínimo de la red (costos de capital anualizados y costos de servicios auxiliares para los
  • Cap. II - Pág. 44 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 equipos de intercambio energético). Notar en este caso que la definición propuesta para este problema basa el criteriode búsqueda en un factor económico(costototal anual), noconsiderandootras condiciones, como por ejemplo, operabilidad, flexibilidad, seguridad, etc. Con el objeto de encontrar una formulación adecuada para resolver este problema, se debe elaborar alguna estrategia que permita generar e identificar las redes de intercambio calórico que minimicen tanto el consumo de servicios de calefacción y enfriamiento (costo operativo), como el área de intercambio calórico y el número de unidades (principales componentes que contribuyen al costo de capital fijo) en la red, todo esto sin recurrir a una enumeración exhaustiva de todas las posibilidades ya que de esta manera sería una tarea harto consumidora de tiempo de cómputo (piense en un problema con cientos o miles de corrientes a empalmar entre sí). Dentro de este contexto, conforme a sus necesidades o disponibilidades energéticas, las corrientes materiales que intervienen en el proceso se pueden clasificar en frías y calientes. Esta clasificación no se basa en las temperaturas de las respectivas corrientes sino en las tareas que hay que efectuar sobre ellas. De este modo, se designan como corrientes calientes a aquéllas que deben liberar energía y como corrientes frías a aquéllas que deben recibir un flujo calórico. Conviene tener presente que de acuerdo con estas definiciones, algunas de las corrientes frías pueden tener mayor temperatura que otras clasificadas como calientes. En la Figura (II.3) se representan dos corrientes calientes (C1 y C2) y dos corrientes frías (f3 yf4), ysus respectivas temperaturas de entrada ysalida (metas). En la tabla asociada a la Figura (II.3), se indican además, los flujos de capacidad calorífica para cada corriente (el producto del caudal -F- por la capacidad calorífica Cp de cada corriente, en unidades acordes). Las temperatura de entrada y salida (Ti,e y Ti,s) de las corrientes calientes y las temperaturas de entrada y salida (ti,e yti,s) de las corrientesfrías, determinan intervalosde temperaturaentre dos valores consecutivos. Las flechas indican el sentido de evolución de la temperatura (calentamiento para las corrientes frías y enfriamiento para las corrientes calientes). El problema consiste en encontrar el conjunto de intercambiadores de calor a instalar entre las corrientes de forma que se alcancen las especificaciones de salida, detallando además, los intercambios intermedios (entre cuáles corrientes y en cuáles intervalos de temperaturas), los consumos de agua de enfriamiento y vapor de calefacción si los hubiere, etc., de tal forma que el costo total anualizado sea mínimo. Por consiguiente, una vez identificadas las corrientesysus propiedades, ylas tareasa efectuar sobre el sistema de intercambiocalórico, la solución para el problema de síntesis es encontrar la política de acoplamiento óptima usando intercambiadores de calor proceso-proceso (Ci, fj) y calentadores y/o enfriadores (consumo de servicios auxiliares, esto es, por ejemplo, vapor de calefacción o agua de enfriamiento).
  • Cap. II - Pág. 45 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.3: Conjunto de corrientes y sus propiedades para la definición del problema de síntesis de intercambiadores de calor. Es fácil comprender que ante un número grande de corrientes calientes y frías, el número de posibles combinaciones entre ellas (con la posibilidad de dividir algunas corrientes) es explosivo (similar al comportamiento en el ejemplo analizado en la sección I.4). Por lo tanto, se requiere generar una estrategia de síntesis adecuada. La primera contribución para resolver el problema fue realizada por (Hohmann, 1971). Usando un diagrama (T-H), esto es temperatura versus calor intercambiado (o variación de entalpía), se determina en forma sencilla la mínima cantidad de servicios auxiliares (considerando su nivel térmico) necesaria para satisfacer la demanda energética de la red. En el diagrama T-H se representa la curva
  • Cap. II - Pág. 46 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.4: Diagrama T-H para representar la evolución de las SCF y SCC. de calentamientode una corrientecompuestafría (llamada supercorrientefría - SCF-) y que engloba a todas las corrientes frías a ser calentadas en el proceso contra una curva de enfriamiento de la corriente compuesta caliente (supercorriente caliente, SCC) que engloba a todas las corrientes calientes a ser enfriadas. Ambas supercorrientes se obtienen, a lolargode cada intervalo de temperaturas identificado, mediante la suma de todos los flujos de capacidades caloríficas de las corrientes individuales en cada intervalo. La importancia de esta definición radica en la posibilidad de representar sencillamente, a través de un esquema, los parámetros de la red total. En la Figura (II.4) se puede observar una evolución cualquiera de ambas supercorrientes en el diagrama T-H, correspondiente al ejemplo de la Figura (II.3), tomando valores particulares para los flujos y capacidades caloríficas, así como temperaturas de entrada ysalida para cada corriente. Para construir la figura basta con recordar que el calor intercambiado Qint =
  • H, es simplemente el producto de las diferencias de temperaturas por el flujo de capacidad calorífica (caudal másico por calor específico). Luego, la pendiente de la recta que representa la evolución en el
  • Cap. II - Pág. 47 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 diagrama T-H es la inversa de esta última. Para cada intervalo de temperatura, las pendientes de las supercorrientes se obtienen como la sumatoria de los productos del flujo másico y la capacidad calorífica, tanto de todas las corrientes frías como las corrientes calientes en el intervalo, respectivamente. Dado que el calor fluye desde una temperatura mayor hacia otra menor, es posible satisfacer la demanda de calentamiento de las corrientes frías con la energía disponible en las corrientes calientes, mediante el solapamiento de ambas corrientes (la SCC por encima de la SCF). Puede observarse que, la proyección sobre el eje de entalpía implica un intercambio de calor equivalente para ambas supercorrientes. Por lo tanto, si se adopta el máximo solapamiento posible y se define una aproximación de temperaturas mínima permitida
  • tmín (para asegurar una fuerza impulsora a la transferencia de calor), se puede calcular fácilmente la cantidad de calor que deberá ser agregada a la red mediante el servicio de calefacción (si no existiera disponible a través de la supercorriente caliente), yla cantidad de energía a ser extraída del sistema mediante el servicio de enfriamiento necesario (si no existiera disponible a través de la supercorriente fría), para llevar a las corrientes a la temperatura especificada. En la Figura (II.5) se indican las proyecciones sobre el eje de entalpia que determinan el calor intercambiado entre dos supercorrientes cualquiera (Qint), y los servicios de calefacción (Qcal) y de enfriamiento (Qenf). También se indica el valor del acercamiento de temperaturas mínimo permitido (
  • tmín). En función de las hipótesis adoptadas, debe interpretarse que el intercambio de calor se lleva a cabo en una especie de superintercambiador, que involucra a las supercorrientes fría ycaliente, al igual que los respectivos servicios. Debe notarse una propiedad interesante que surge de la forma en que se construye la Figura (II.5). En efecto, dado que el calor cedido o incorporado por una corriente puede medirse por la proyección del segmento determinado por la evolución entre la temperatura inicial y final (
  • H en la Figura (II.5)), se observa claramente que cualquier desplazamiento hacia la derecha o izquierda no altera la cantidad de calor intercambiado por cada supercorriente. Sin embargo, resulta evidente que sí lo hace el calor intercambiado entre las supercorrientes ya que sólo cuando existe solapamiento entre ambas (en el sentido vertical) se puede asumir que el calor cedido por la SCC es absorbido por la SCF. De esta manera se evita la situación que representada en la Figura (II.5-a-) ya que al no existir solapamiento alguno, ambas supercorrientes deben satisfacer su demanda mediante el consumo de servicios auxiliares de enfriamiento y calefacción, respectivamente. Esta es la situación de máximo consumo y de mínima recuperación energética.
  • Cap. II - Pág. 48 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 1Te, te,3 Qenf. Qcal. Ts,2 1Ts, 4te, 2Te, 4ts, 3ts, T HQint. ûtmín Qenf. Qcal. (a) (b) Figura II.5: Calor Intercambiado entre la SCC y la SCF en un diagrama T-H. (a) No existe solapamiento (máximo consumo de servicios auxiliares). (b) Máximo solapamiento (máxima recuperación energética). Por lo tanto, si el objetivo es lograr mínima demanda de servicios auxiliares o, en forma equivalente, máxima recuperación entre corrientes, el mismo se obtiene cuando existe máximo solapamiento entre ambas curvas. Esta situación es sencilla de lograr en el diagrama T-H. Es suficiente desplazar lateralmente ambas supercorrientes, de forma de lograr máxima superposición entre curvas (Figura II.5b), considerando el mínimo acercamiento vertical permitido entre ambas curvas. Obviamente, existe una cota para la recuperación energética. Estoes, cuando
  • t tiende a cero, no puede, en el límite, continuarse. Esto surge de dos restricciones. Por un lado, el segundo principio de la termodinámica postula que el calor fluye desde una temperatura mayor hacia otra menor (salto térmico,
  • t  0), y por el otro, en todo sistema real la fuerza impulsora debe ser finita (
  • t > 0), ya que de lo contrario el proceso sería infinitamente lento. Usualmente se designa al punto de mayor aproximación de las curvas, como el pinch del problema. (Linnhoff yFlower, 1978) y (Linnhoff y col., 1982) analizaron las características del punto pinch en el proceso de transferencia de energía. Al punto de contacto (
  • t = 0, y por extensión tambien finito) entre ambas supercorrientes en el diagrama T-H se lo definió como punto pinch. Se ha probado que el punto pinch
  • Cap. II - Pág. 49 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 divide al proceso en un sumidero de calor (temperaturas por encima del punto de pinch) y una fuente de calor (temperaturas por debajo del punto de pinch). Estos autores han probado que no debe existir flujo de calor (intercambio calórico) atravesando el punto pinch. Esto es, no debe transferirse calor desde las corrientes arriba del pinch hacia las corrientes debajo del mismo, ya que de hacerlo, debe incrementarse exactamente en la misma cantidad el consumo de ambos servicios auxiliares de calefacción yenfriamiento, por encima del mínimorequerido. El método de diseño pinch propuesto por (Hindmarsh y Linnhoff, 1983), reconoce este hecho y considera el diseño de dos problemas separados (debajo y arriba del pinch). Este procedimiento permite generar redes de máxima recuperación energética que cumplen con las metas especificadas. Los costos operativos (Cop) dependen delosrequerimientosdeenergía yestán dados por: Cop = (cenf Qenf, min) + (ccal Qcal, min) (2) donde cenf y ccal son los costos unitarios de las cargas de servicios auxiliares de enfriamiento y calentamiento, respectivamente. La determinación de Qcal,mín y Qenf,min puede realizarse a partir del diagrama T-H (ver Figura (II.4) y Figura (II.5)); o bien mediante procedimientos computacionales (ver Cerdá y col.(1983); Shenoy (1995)). El costototal de la reda diseñar comprendebásicamentelos costos operativos y el costo de capital. La evaluación del costo de capital total (Ccap) se basa en la siguiente expresión genérica, correspondiente al cálculodel costode un intercambiador de calor simple: Ccap = a + bAt c (3) donde At =  Ai , i indica el número de unidades utilizadas en la red, y a, b, y c son los coeficientes asociados a la relación de estimación de costos en función del material de construcción, la presión de trabajo y del tipo de intercambiador. Debido a que se desconoce la distribución del área del superintercambiador (que engloba a todas las unidades de intercambio) entre los intercambiadores reales de la red, puede asumirse que todos los intercambiadores individuales son del mismo tipo y están construídos con los mismos materiales. Además se asume que se logra el diseño de la red utilizando el mínimo número de unidades posible, ya que este factor también influye en el costo de la misma. De esta manera, el costo total de la red es proporcional al área total de intercambio utilizada. Finalmente, para el cálculo del costo total (Ctot), se deben sumar ambas contribuciones, considerando la vida esperada de la planta y la velocidad de retorno del capital invertido. Ctot = Cop + Ccap (4)
  • Cap. II - Pág. 50 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Costo ût Costo de Área Costo Total Figura II.6: Costo total anual en función del salto térmico mínimo permitido ût. De la ecuación anterior se desprende que para minimizar el costo total se debe minimizar la inversión y el costo operativo. En la Figura (II.5-b) se aprecia que, adoptado el parámetro
  • tmin, o acercamientomínimodetemperatura permitidopara el intercambio, se puedecalcular los mínimos requeridos tanto para el vapor de calefacción como para el servicio de enfriamiento. En efecto, la máxima superposición (que implica empalme en sendos intercambiadores de las supercorrientes correspondientes) proyecta el mínimo consumo de servicios. De esta forma, de una manera muy sencilla y elegante pueden calcularse, para cada valor adoptado de
  • t, los servicios mínimos requeridos. Por otra parte, a medida que disminuye el parámetro
  • t, también lo hace la necesidad de calefacción Qcal,min, yla necesidad de agua de enfriamiento Qenf,min.Esto, como vimos tiene un límite, que se alcanza cuando
  • tmin tiende a cero. En efecto, el consumo de servicios es el mínimo respecto de todos los posibles, pero simultáneamente, el área resulta infinita, ya que si se observa atentamente la Figura (II.6), la fuerza impulsora para el intercambio calórico es directamente proporcional al parámetro
  • t. En efecto, como se sabe, el área de intercambio responde a la fórmula: At = Q/ (U
  • tml) (5) en la cual
  • tml (promedio logarítmico de la fuerza impulsora) es proporcional a la diferencia de temperaturas entre los extremos de intercambio, y tiende a cero cuando
  • tmin tiende a cero. Por lo tanto, para cada asignación de
  • tmin tenemos por un lado un valor correspondiente del área total de intercambio, y por el otro, recurriendo a la superposición indicada, el valor mínimo de los servicios asociados. Con todos estos
  • Cap. II - Pág. 51 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 valores resulta sencillo construir, paso a paso, con el solo expediente de variar
  • tmin, la Figura (II.6). En ella se indica la variación del costo de los servicios (Ecuación (2)) que resulta creciente con
  • tmin, la variación del área total de intercambio, que por el contrario se incrementa con la disminución del valor
  • tmin, y por último la suma de ambos (Ecuación ( 4)). Dada la forma de las curvas de los sumandos parciales, la curva de costo total generalmente presentará un óptimo para un valor determinado de
  • tmin. Este es el valor correspondiente al acercamiento óptimo para la red de intercambio a diseñar (Townsend y Linnhoff, 1983). Por último, es necesario desagregar el superintercambiador en un conjunto de unidades de intercambio entre las corrientes individuales, tratando de minimizar su número, y diseñar los equipos de intercambio calórico con el objeto de minimizar el costototal. Existen varios procedimientos para lograr este objetivo, perolos mismos están fuera del alcance de esta introducción al tema, y se recomienda al lector interesado explorar las citas bibliográficas (Townsend y Linnhoff, 1983), (Linnhoff y Flower, 1978), (Linnhoff, 1994) entre otros, y la bibliografía recomendada que se encuentra al final de capítulo. Obviamente, se han introducido en el planteopropuestovarias suposiciones. Por ejemplo, entre otras, el área de intercambio se calcula suponiendo un valor constante para el coeficiente pelicular de intercambio U en toda la red. Existen métodos para contemplar esta variación (Nishimura , 1980). No obstante, resulta interesante destacar que la estrategia analizada es sumamente sencilla, aún para un número muy importante de corrientes frías y calientes en la red a diseñar. Además, los resultados logrados resultan realmente aproximados a la solución óptima global. Obviamente, para problemas que abarcan cientos o miles de corrientes, proceder manualmente para determinar el
  • t óptimo, yluego la estructura de intercambiadores real, es prácticamente imposible. Es por ello que se han propuesto numerosos algoritmos implementados en computadora, como por ejemplo(Cerdá ycol. 1983), (Grossmann, 1985), (Linnhoff ycol, 1982). Además, existe en la actualidad software comercial que permite enfrentar el problema de la síntesis de la red de intercambiadores ysu relación con las otras secciones del proceso, mientras que a su vez, tienen compatibilidad para integrar los resultados provistos con las entradas necesarias a un simulador de procesos, de tal forma de facilitar la tarea iterativa clásica de la síntesis del proceso global. Por otra parte, Galli y Cerdá (1991) entre otros, han desarrollado además una metodología de síntesis de redes de intercambio calóricoflexibles, cuya topología le permite operar a la red con el mínimo costo operativo cuando las temperaturas de entrada y salida de las corrientes varían dentro de rangos dados. Sistemas combinados de generación de potencia y recuperación energética A partir de las propiedades del punto pinch, (Hindmarsh y Linnhoff, 1983) analizaron la posibilidad de integrar adecuadamente la descarga de calor de máquinas
  • Cap. II - Pág. 52 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 térmicas a las redes deintercambiadores, utilizándolascomofuente de calefacción. En efecto, una máquina térmica consisteen un dispositivoqueoperandoen ciclos produce alteraciones en el medio ambiente, que se traducen en intercambios calóricos y producción o consumo de trabajo, variables que se relacionan entre sí por medio de la primer y segunda ley de la termodinámica (eficiencia de Carnot). Considerando el proceso (red de intercambiadores) como parte del medio ambiente, se puede analizar la integración del sistema de generación de potencia (ciclos) con la red de intercambiadores, de tal forma de lograr una estructura óptima. (Linnhoff y Flowers, 1983) analizan las reglas para integrar ciclos productores de potencia (o consumidores) con la red, en base a las propiedades del punto pinch. Se prueba que no todas las posibilidades son adecuadas, y en las que lo son, se logra reducir el consumo energético del sistema integradoaumentandola eficiencia global. En efecto, se puede lograr en ciertos casos, que todo el calor consumido por la red de intercambio pase a través del ciclo produciendo trabajo con un rendimiento marginal del 100%. Por otra parte, se han desarrollado otros enfoques para abordar el problema de síntesis de sistemas combinados de potencia yrecuperación de calor, considerando por ejemplo, la generación de entropía del proceso como en el método de la línea de operación (Irazoqui, 1986). No obstante, no analizaremos aquí en profundidad el tema, remitiendo al lector a la bibliografía recomendada al final del capítulo. II.3.2 Síntesis de Sistemas de Separación La necesidad de utilizar equipos de separación en los procesos químicos es bien conocida. En general, es necesario aislar los productos purificados, recuperar subproductos valiosos, preparar materias primas y/oevitar (separándolos de la mezcla que los contiene) materiales indeseables o tóxicos. No sólo el costo de inversión y de mantenimiento, sino también el de operación (consumo de vapor de calefacción o de agua de enfriamiento) tiene un impactosignificativoen la economía del proceso, ya quelasoperacionesdeseparación convencionales, por ejemplo la destilación, son consumidoras intensivas de energía. Resulta interesante entonces hallar métodos para minimizar los servicios auxiliares paralelamente a los costos de capital. El impacto que produce la reducción de energía es muy importante para procesos que involucran grandes volúmenes (commodities). Por ejemplo, debe tenerse en cuenta que en procesos de refinamiento de petróleo y similares, un gran porcentaje de la energía consumida se asocia con el sistema de separación. Hay varias tecnologías para la separación de una mezcla, por ejemplo destilación, evaporación, absorción, membranas, destilación molecular, separación en un campo eléctrico, difusión térmica, cristalización, difusión por presión, extracción y muchas otras. Más aún, en la actualidad muchos de los esfuerzos de investigación se destinan a encontrar tecnologías viables que reemplacen a la destilación, la cual, si bien es una tecnología ya madura y por lo tanto confiable, consume mucha energía
  • Cap. II - Pág. 53 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 ya que desde el punto de vista termodinámico por lo general se las opera en forma poco eficiente. Es por ello también, que se destina mucho esfuerzo para lograr metodologías de síntesis para la generación de estructuras y condiciones operativas óptimas desde el punto de vista de la eficiencia energética. El primer paso en el problema de síntesis de sistemas de separación es seleccionar el método apropiado. Aquí sólo se analizará en principio, el problema de síntesis de sistemas de destilación utilizando columnas convencionales o simples sin integración calórica. Síntesis de trenes de destilación integrados (TDI). En un proceso de destilación, existente o a diseñar, es posible distinguir las tareas de separación que se llevan a cabo en las columnas de destilación, de las tareas de enfriamiento y calefacción que ocurren en los intercambiadores de calor, condensadores yrehervidores, donde se generan las corrientes de reflujo yel vapor de fondo del equipo, respectivamente. Dado un tren de destilación, cada columna debe cumplir con la tarea de separar la mezcla que ingresa a ella de forma de obtener los productos deseados con las especificaciones de pureza exigidas. La búsqueda del sistema de destilación más económico, con integración calórica, capaz de separar una mezcla multicomponentedecomposición dada, implica definir: i.- La estrategia de separación ii.- La configuración del sistema de intercambio calórico. iii.- Las presiones de operación de las columnas. iv.- Los flujos calóricos involucrados en cada equipo. La estrategia de separación hace referencia al orden en que la mezcla de alimentación se separa en sus componentes puros. Por ejemplo, en la Figura (II.7) se representan las cinco alternativas posibles para separar por destilación, las especies químicas A, B, C, D, de una mezcla cuaternaria (ABCD), utilizando separadores simples. Se puede decir entonces que cada estrategia está caracterizada por una secuencia de separadores o simplemente secuencia. Puede notarse que debido a las opciones posibles, pueden hallarse un número significativo de secuencias para una mezcla de muchos componentes, y la forma de hallarlas es similar a la planteada en los ejemplos de la sección I.4. En la próxima sección trataremos este punto. Por otra parte, la configuración del sistema de intercambio calórico asociado a un tren de destilación hace referencia a la disposición de los equipos recuperativos yauxiliares necesarios, para producir el cambio de fase buscado en cada corriente del proceso. Se denominan equipos recuperativos, a aquellos donde se materializa el acoplamiento calórico de una corriente caliente proveniente del condensador de una columna con la corriente fría proveniente del rehervidor de otra columna del tren.
  • Cap. II - Pág. 54 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Las características estructurales del sistema, resumidas en lo que comúnmente se denomina topología de la red, depende de la política de acoplamiento energético que se implemente entre las corrientes a condensar y las corrientes a vaporizar. La selección de dicha política está directamente ligada a la presión deoperación adoptada en cada columna, ya que estos valores condicionan los acoplamientos inter-columnas que pueden ser implementados. Cuando se enfrenta el problema de síntesis sin considerar el sistema de intercambio, las demandas de los hervidores ycondensadores son incorporadas como corrientes adicionales calientes y frías respectivamente, a la grilla de corrientes del problema de la síntesis de redes de intercambiadores, visto en el punto anterior. Esto se hace luego de haber procedido a resolver la estructura del sistema de separación, que definirá las cargas calóricas a satisfacer en cada columna (etapas jerárquicas). Espacio de Soluciones del Problema Aún cuando no se contemple la posibilidad de integración calórica, el problema de síntesis de la secuencia de separadores más económica es altamente combinatorio. El número de secuencias alternativas para la separación completa de una mezcla de NC componentes puede calcularse según la expresión propuesta por Thompson y King (1972): Número de Secuencias = [2(NC - 1)]! / NC!(NC - 1)! (6) En efecto, la separación de una mezcla de 4 componentes se lleva a cabo en 5 secuencias, para 5 componentes puede llevarse a cabo a través de 14 secuencias distintas, mientras su número se eleva a 1430 cuando NC = 9. Comolopuntualizara A. W. Westerberg(1983), laposibilidaddeintegración calórica en el sistema de destilación agrava aún más el carácter combinatorio del problema de síntesis. Por ejemplo, para una mezcla de 5 componentes y suponiendo que cada columna puede acoplarse calóricamente con sólo una de las que la acompañan en una dada secuencia, el número de configuraciones posibles se eleva a 350. El espacio de soluciones posibles es sumamente rico en diseños alternativos, los cuales involucran empalmescalóricosentrediferentescorrientesydistintasformas de interconexión de equipos para realizar en definitiva las mismas tareas, aunque a un costo total diferente. Por lo tanto, el hallazgo del sistema de destilación energéticamente más eficiente requiere de procedimientos de búsqueda que permitan barrer completamente el espectro de posibilidades. Distintos Enfoques para abordar el Problema En la actualidad se dispone de numerosas técnicas de diseño de trenes de destilación tanto convencionales como integrados que difieren sustancialmente en la
  • Cap. II - Pág. 55 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 estrategia de resolución del problema. De las formas alternativas que registra la literatura para resolver el problema de síntesis se pueden distinguir claramente tres enfoques, que muchas veces aparecen complementados entre sí; el heurístico, el termodinámico y el algorítmico. Las técnicas heurísticas se caracterizan por la obtención de una estructura óptima para el sistema, apelandoa determinadasreglas. Estasreglasson generalmente empíricas o bien provienen del análisis de soluciones obtenidas por otros enfoques. Se habla de enfoques termodinámicos, cuando se aplican criterios de evaluación que se deducen a partir de conceptos derivados de la primera ysegunda ley de la termodinámica. La aplicación de esos criterios permite determinar la performance del sistema real respecto a un valor teórico, límite óptimo, correspondiente al comportamiento de un sistema ideal. Los resultados obtenidos son en muchos casos de carácter cualitativo, por lo que resultan útiles para ahondar en el conocimiento físico del sistema y para restringir el espacio de búsqueda bajo otros enfoques. No obstante, para problemas de síntesis de trenes de separación (y para redes de intercambio calórico, en especial las integradas con sistemas de generación de potencia), existen algoritmos de optimización basados en funciones objetivo que contemplan aspectos de la segunda ley de la termodinámica (sistemas reversibles versussistemas reales) que resuelven el problema muyelegantemente(ver bibliografía recomendada). En la resolución del problema de síntesis con enfoque algorítmico, el sistema se describe mediante un modelo matemático que incluye una función objetivo, a minimizar o maximizar, y un conjunto de restricciones que definen el dominio de búsqueda de las soluciones posibles. Generalmente, la función objetivo está vinculada en forma directa con algún tipo del costo del sistema a optimizar. Normalmente, las soluciones no se obtienen en forma analítica sino numérica, mediante la implementación computacional de un algoritmoapropiado. El tiempodecomputación consumido suele tomarse como medida de eficiencia del algoritmo empleado. Una de las mayores ventajas que ofrecen los métodos algorítmicos reside en su capacidad de garantizar el carácter óptimo del diseño de un tren de destilación hallado, siempre ycuandolas hipótesis del modelomatemáticose satisfagan, al barrer todo el espacio de soluciones del problema y el modelo presente ciertas propiedades matemáticas especiales. Un ejemplo de la aplicación de métodos algorítmicos a la síntesis de TDI’s se puede encontrar en (Benz, 1991) y(Benz yCerdá, 1992), quienes consideraron además, la flexibilidad del sistema ante variaciones en la composición de la alimentación al tren. No obstante, este enfoque puede complicarse para el caso de sistemas que tratan mezclas altamente no ideales. Síntesis de la secuencia de separación Un importante problema de diseño del proceso de separación de una mezcla multicomponente es la secuencia de separación, que está relacionada con la selección
  • Cap. II - Pág. 56 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 del mejor método yestrategia de separación para cada componente en la mezcla. Este problema se representa frecuentemente colocando en un arreglo (vector) los componentes a ser separados listados en orden de volatilidades relativas. Si se considera las secuencias para separar una mezcla de A, B, C y D, ordenados en orden descendente de volatilidades relativas (A, B, C, D), se deben examinar las diferentes alternativas. Por ejemplo (A/BCD) seguido por (B/CD) o (BC/D) y (C/D) o (B/C) respectivamente. Otra posible secuencia es (AB/CD) seguido por (A/B) y (C/D) (ver Figura (II.7)). Estas separaciones se denominan sharp (cada producto a ser separado aparece en una y sólo una de las corrientes de producto). Así, como en el problema de intercambio calórico, se debe utilizar una metodología práctica para encontrar la secuencia óptima. Técnicas generales desarrolladas para resolver el problema de secuencia de separación han incluido enfoques algorítmicos, basados por ejemplo, en programación dinámica (Hendry y Hughes, 1972), métodos heurísticos (Rudd y col., 1973), estrategias evolucionarias a partir de la creación de una secuencia de separación inicial (Stephanopoulos y Westerberg, 1976), y métodos termodinámicos involucrando aplicaciones de principios termodinámicos (Gomez y Seader, 1985) entre otros. A continuación, se ejemplificará la búsqueda de la mejor secuencia mediante un método evolucionario. Según la Figura (II.8), todas las posibles secuencias de separadores que podemos plantear para separar la mezcla en los componentes puros (también sepueden especificar separacionesprohibidasonodeseadas, oproductosque comprenden mezcla de varios componentes) pueden representarse mediante un árbol. Este árbol es similar a los planteados en la sección (I.4) para el análisis de alternativas ya sea para el problema de ordenamiento de números como para la resolución analítica de una integral recurriendo al particionando del problema. En efecto, en la Figura (II.8) se observa que los nodos (mezclas producidas en los separadores) unidos con arcos representan los diversos caminos factibles (distintassecuencias de separación).
  • Cap. II - Pág. 57 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 (Se separa primero el más volátil) SECUENCIA DIRECTA C/D (AB/CD) A/B (A/BCD) (B/CD) A D D (ABC/D) B/C C B C (A/BC) D (ABC/D) A A C B B (Se separa primero el más pesado) SECUENCIA INVERSA (AB/C) A/B A A (A/BCD) (C/D) D (BC/D) B C D C (B/C) B Figura II.7 : Alternativas secuenciales para separar la mezcla (ABCD) utilizando columnas de destilación convencionales. Note que el número de alternativas coinciden con el resultado de la Ecuación (II.6) para NC=4.
  • Cap. II - Pág. 58 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.8: Árbol de secuencias de separación para una mezcla cuaternaria. Esto es, los nodos unidos por arcos pertenecen a la misma secuencia de separación, y deben considerarse simultáneamente para lograr la separación de la mezcla. El armado de las secuencias es muy sencillo, ya que basta con decidir en cada caso (operadores para transición entre estados) el componente a separar o el punto de corte a realizar (por ejemplo, A/B, B/C o C/D). Cada corte o separación (arco) origina subproblemas independientes (mezclas multicomponentes de menor orden), que pueden ser considerados como nuevos problemas. Para cada subproblema, una vez producida una separación, debemos continuar con el desarrollo de las mezclas remanentes, hasta lograr la separación completa (base del árbol o fin de la expansión). Como hemos mencionado, el número de alternativas es explosivo, ya que apenas se incrementa la cantidad de componentes a tratar se generan un gran número de opciones, haciendo intratable el problema (ver Ec. 6). Por lo tanto, al igual que los problemas discutidosen I.4, deberá desarrollarseuna técnica para obtener la secuencia (estructura de separación), por ejemplo, de mínimo costo total, sin necesidad de recurrir al costeo y diseño (aunque sea preliminar) de todos los separadores -lo cual es prohibitivo aún con computadores muy potentes-. Para esto necesitamos varias herramientas. En primer lugar, algún método de costeo rápido y eficiente. Como es conocido, el diseño preliminar de una columna de destilación puede realizarse utilizando algunas aproximaciones. Las variables más importantes (habiéndose fijada la presión de operación) son el diámetro de la columna y el calor entregado al hervidor (que en una primera aproximación puede suponerse igual al extraído en el condensador). Los costos ligados a ambas variables están en contraposición, lo que exige un método de optimización para determinar el número de etapas y el reflujo de operación de la columna para lograr la separación deseada. Es usual utilizar la ecuación de Fenske para determinar el mínimo número de etapas, la de Underwood para calcular el mínimo reflujo, yla relación de Gilliland
  • Cap. II - Pág. 59 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 para relacionar el reflujo real con el número de etapas de diseño. Generalmente, se recurre a heurísticos que aproximan el cálculo (sin plantear un problema de optimización) del número de etapas y el reflujo adoptando factores de relación adecuados (por ejemplo, multiplicar el reflujo mínimo por el factor 1,1 y adoptar el doble de las etapas mínimas). Respecto al uso de estas ecuaciones, debe aclararse que son aproximadas y pueden presentar un error considerable, aún en mezclas ideales, cuando se trata de separaciones de componentes con alta pureza o bien trazas, cuando hay una gran diferencia de volatilidades relativas o cuando la topología del separador no se encuadra con las hipótesis del desarrollo de las mismas. Además, para mezclas no ideales son decididamente inadecuadas. Para el caso de número mínimo de etapas por ejemplo, si las volatilidades relativas varían muchoa lolargode la columna puede utilizarse la ecuación de Winn, que contempla factores de corrección de las volatilidades relativas por presión y temperatura dentro del rango de interés. Cuando la mezcla es no ideal, esta solución tampoco es adecuada, y deben utilizarse métodos rigurosos de cálculo. Dentro de este contexto, aún cuando para mezclas ideales puedan utilizarse las ecuaciones anteriores, suponiendo que en realidad en esta etapa del diseño lo que se hace es una comparación relativa -entre alternativas competidoras- y no cálculos absolutos, se debe todavía solucionar el problema de explorar el enorme número de alternativas posibles. Para esto podemos proceder según dos estrategias. Una es puramente empírica o heurística, mientras la otra es algorítmica, en el sentido que recorrelasalternativasevaluandocostossegún una estrategia sistemática especificada (algoritmo). En el primer caso se parte de plantear reglas del arte, o heurísticos, que si bien no aseguran el óptimo, garantizarían una secuencia al menos sub-óptima, esto es, en el entorno del óptimo. Los heurísticos propuestos (ver por ejemplo Seader and Westerberg, 1977) en general tienen alguna explicación teórica, pero mayoritariamente están basados en relaciones aproximadas como las ecuaciones anteriormente mencionadas, o hipótesis equivalentes. Otros surgen de la experiencia ante un gran número de casos analizados. Por ejemplo, se pueden plantear los siguientes heurísticos o reglas para generar las secuencias: i.- Si la mezcla tienecomposiciones yvolatilidades relativas similares, entonces favorezca la secuencia directa. Esto implica, dado que están ordenadas por volatilidades relativas decrecientes, que se elimine por tope de cada separador el componente más volátil. ii.- Si los componentes de la mezcla se caracterizan por una marcada diferencia entre las volatilidades relativas, entonces separe el más volátil primero. iii.- Si las composiciones (fracciones) molares en la mezcla son muy disímiles, pero no las volatilidades relativas, entonces separe los componentes de tal forma de eliminarlos en orden decreciente de fracciones molares. iv.- Si para separar un componente debe recurrirse a un solvente auxiliar,
  • Cap. II - Pág. 60 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 remueva este inmediatamente en la secuencia. Estas reglas se utilizan durante la expansión del árbol ( Figura II.8), ya que ante cada alternativa permiten seguir un caminoen detrimentode los otros, limitando la enorme cantidad de opciones existentes. Se propusieron numerosos heurísticos, y muchas veces contradictorios entre sí, en cuanto a las acciones a realizar y en el orden en que se toman. No obstante, en general puede afirmarse que las soluciones halladas, o bien constituyen una solución sub-óptima, a un costo de cómputo muy razonable, o bien constituyen un buen punto de partida para un método algorítmico, a los efectos de ahorrar esfuerzos de cálculo en éstos. En efecto, como habíamos comentado en el problema de ordenamiento de números en un arreglo matricial (sección I.4), para aplicar un criterio o función de evaluación necesitamos, en general, conocer algo acerca de la solución deseada. Por ejemplo, si la función evaluación involucra la distancia a la solución, necesariamente su cálculo implica conocer ésta última. Aquí es trivial el hecho de que la solución involucra todos los componentes separados, si esa es la especificación de diseño. El problema es que necesitamos hallar la secuencia de costo mínimo, y ésta no la conocemos de antemano, por lo que no podemos comparar ninguna solución actual en relación con la solución deseada, porque sencillamente la desconocemos. Por otra parte, queremos hallarla sin generar todas las alternativas. Una solución es considerar como una aproximación al costo de la secuencia óptima (esto es calcular mediante las ecuaciones anteriormente vistas los costos de cada separador y sumarlos) el costo de la secuencia generada por medio de la síntesis heurística, ya que se logra fácilmente. A partir de allí, teniendo una cota deseable o punto de referencia, podemos evolucionar (estrategias evolucionarias) hacia una solución de menor costo, perturbando con cierta estrategia las opciones de corte en cada separador de la secuencia y observando cómo se comporta el costo de las alternativas generadas (Stephanopoulos y Westerberg, 1976). Debido a que ni las estrategias heurísticas ni las evolucionarias pueden asegurar el óptimo, es conveniente, luego de un estudio o etapa preliminar, utilizar un algoritmo que contemple el barrido de las secuencias, aplicando una función de evaluación adecuada para minimizar el número de nodos visitados. Además, deberá contemplarse en el costo la mayor cantidad de variables posibles, como ser por ejemplo la optimización del plato de alimentación, etc. Nuevamente, necesitamos un punto de partida para evaluar cada secuencia en el proceso de expansión. Una estrategia puede ser una secuencia generada por los métodos anteriores, otra puede ser tomar un heurístico que haga que se expanda siempre a través del separador de mínimo costo, al analizar cada nodo. Luego de generada esta primer secuencia, se suman los costos de cada una de sus unidades y esta será la de costo mínimo o de referencia (Thompson and King, 1972). Al tomar como costo cota el valor dado (cota de máxima al mínimo costo) retrocedemos hacia arriba en el árbol para tomar, ante el primer nodo or, las nuevas direcciones de expansión. Se evalúa para cada secuencia
  • Cap. II - Pág. 61 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 generada el costo, y se lo compara con la cota. Si aparece un costo menor, se reemplaza la cota por el valor nuevo, y la secuencia, por la nueva secuencia encontrada. De esta manera, se sube un nivel en el árbol y se sigue con el mismo procedimiento. Cuando no existan más nodos por expandir, la secuencia resultante y el costo de la misma representa la solución. A diferencia de los métodos anteriores, y si bien debe tomarse esto relativo a las hipótesis asumidas, esta forma de proceder garantiza un óptimo. Queda claro también que cuanto mejor sea el heurístico empleado para generar la primer secuencia (o valor base o cota para el costo mínimo), menos tiempo de cómputo se empleará ya que no será muy fácil encontrar valores menores de costo, y nuevas secuencias alternativas. Esto es, en las ramas no óptimas, unos pocos cálculos implicarán un costo mayor al óptimo y por lo tanto se reducirá la exploración de cada rama. Existen inconvenientes, según comentamos, cuando pretendemos aplicar estas metodologías a mezclas azeotrópicas o destilación extractiva, en las cuales se recurre a diversos agentes o solventes auxiliares que complican la generación o expansión de árbol, así como también la aplicación de las fórmulas aproximadas para el cálculo del costo. Para este tipo de problemas es posible utilizar otros métodos, también algorítmicos, pero basados en propiedades termodinámicas de la mezcla, y el concepto de destilación reversible (ver por ejemplo Petlyuk y col., 1965; Aguirre y col.,1992; Koehler y col., 1992; etc.). Resumen En síntesis, en los puntos anteriores se analizaron algunos tópicos del problema de síntesis de procesos. Como fuera mencionado en la sección II.3, la síntesis de un proceso completo es demasiado complicada y hasta el presente sólo se ha podido lograr una solución sub-óptima (estrategia de descomposición). Esta área es materia de varios esfuerzos deinvestigación para mejorar el conocimientoyobtener mejores procedimientos para el diseño de procesos óptimos. Bajo este contexto, se lograron resultados en subproblemas específicos como la síntesis de redes de intercambio calórico, sistemas integrados de calor y potencia, síntesis de sistemas de control, sistemas de separación, sistemas de reacción, etc. Además, obviamente el combustible quemado es proporcional al consumo de calefacción en el proceso, por lo que al minimizar los servicios también se minimiza las emisiones gaseosas por combustión (Linnhoff, 1994), minimizando el impacto sobre el ambiente. En este capítulo solo se mencionaron unos pocos métodos propuestos para la síntesis de subunidades comola red de intercambiadores ylassecuencias de columnas de destiladores simples para el problema de la separación de una mezcla de NC componentes bajo ciertas condiciones. No obstante, existen muchos otros algoritmos que el lector puede encontrar en la bibliografía especializada. El objetivode esta breve introducción en nuestro caso es mostrar que existe una metodología sistemática para
  • Cap. II - Pág. 62 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 enfrentar la tarea de diseño de un proceso, y además, que dado nuestro estado de conocimientos, el procedimiento es iterativo, exigiendo interacción entre las herramientas informáticas propuestas para realizar cada tarea o etapa. Finalmente, es importante remarcar que en la última década se desarrollaron numerosas aplicaciones computacionales (muchas de ellas software comercial) que son útiles para la resolución de diferentes problemas de síntesis. Más aún, la tendencia muestra que en un futuro cercano muchos algoritmos de síntesis de sub- unidades serán reunidos en ambientes de diseño integrados, logrando otra etapa hacia el paradigma final en la disciplina o metodología CAD (Computer Aided Design o diseño asistido por computadora). II.4 EJEMPLO: BREVE NOCIÓN DE TÉCNICAS DE SÍNTESIS APLICADAS A UN PROCESO DE DESALACIÓN DE AGUAS DE MAR. Los procesos de desalinización de agua de mar osalobres de otra procedencia tienen como objetivo convertirlas en agua potable para consumo humano y/o animal. A principios del siglo XX la revolución industrial se consolida y el vertiginoso crecimiento de la población aumenta desde 1600 millones de habitantes a aproximadamente 7000 millones en nuestros días. Dentro de este contexto, decenio a decenio, el margen entre recursos hídricos y demanda se reduce peligrosamente, principalmente en aquellos países en los cuales existe un considerable grado de desarrollo, ya que la expansión demográfica, agrícola e industrial juegan un rol preponderante. Por otra parte, la contaminación de numerosas fuentes de aprovisionamiento de agua dulce y la irracional administración de las reservas naturales contribuyen a acrecentar la problemática. Como consecuencia de varios estudios, puede concluirse que uno de los problemas ambientales más importantes para la humanidad, en el futuro inmediato, es afrontar la dramática carencia de recursos de agua potable. Ante semejante perspectiva, se recurre a la investigación permanente a los efectos de lograr tecnologías eficientes para la elaboración de agua potable, de tal forma de expandir las reservas hídricas disponibles a un costoaccesible para poder masificar el consumo. A tales efectos, la desalación de aguas salobres resulta sumamente importante, ya que, por ejemplo, el agua disponible en el mar resulta un recurso prácticamente ilimitado. Obviamente, el problema básicoconsiste en separar las sales disueltas en el agua, de tal manera de lograr un nivel de soluto acorde con el mínimo aceptable para el consumo humano y/o necesidades prácticas en la industria. En general, los principales métodos de desalación pueden agruparse según la siguiente clasificación: por métodos térmicos, electrodiálisis, intercambio iónico, ósmosis inversa, formación de hidratos, etc. Esta descripción no pretende ser exhaustiva, sólose mencionan las principales áreas oprincipios en los cuales se basan los procesos que han logrado utilización a escala industrial.
  • Cap. II - Pág. 63 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Si bien aquí pretendemos ejemplificar el proceso de generación de las diversas opciones posibles para lograr un producto dado y por lo tanto deberían explorarse todas las alternativas, en adelante, para simplificar el análisis de la síntesis de la estructura óptima, sólo analizaremos brevemente el campo de los procesos de desalación por métodos de evaporación. En la práctica, se utilizan con éxito diversas tecnologías que se basan en la evaporación. Así también, existen procesos que se basan en la mayoría de los principios antes citados. Su conveniencia depende de muchos factores, entre ellos del costo relativo entre la energía eléctrica, el precio del petróleo o gas, elementos de análisis estratégicos, la tasa de interés, el costo de los materiales, etc. Sin embargo, es posible imaginar también un problema en el cual sólo se poseen estudios de laboratorio, que proveen detalles conceptuales acerca de los diversos principios para la desalación. No obstante, debe plantearse la obtención de un proceso industrial óptimo, sin disponer de plantas industriales en funcionamiento como ejemplos. Los procesos de desalación basados en operaciones de evaporación son los históricamente más desarrollados y presentan, a la fecha, diversas alternativas. Fundamentalmentesebasan en la separación del agua de la salmuera por evaporación, tratando de utilizar el calor de condensación del vapor producido (ya que el producto es líquido) para precalentar la alimentación o para obtener una nueva cantidad de vapor. En la Figura (II.9) se presenta un esquema global del proceso, donde se muestra el bloque genérico de separación por evaporación yel bloque de recuperación de energía (el producto deseado es líquido, por lo cual puede recuperarse el calor latente de condensación). Este calor puede utilizarse para precalentar la alimentación o para producir más vapor (separación). En el esquema se prevé la incorporación de energía al sistema, a través del bloque de calentamiento en el cual se aporta energía externa. Como se verá luego, según los distintos casos, ésta podría ser calórica o mecánica. Como antes mencionamos, al enfrentar un proceso como el descripto, lo conveniente es dividirlo en subproblemas. También vimos que no existe un único criterio para ello. Por ejemplo, aquí tenemos simultáneamente una operación de transferencia de calor y de separación (bloques), lo cual hace difícil plantear cada problema por separado. Esta necesidad de individualizar cada subsistema y sus articulaciones para lograr un resultado final es una parte muy importante del planteo del problema de síntesis. Como veremos más adelante, para este ejemplo, es posible lograr un planteo del problema que recoge elementos de la síntesis de redes de intercambio calórico como una aproximación al procesoglobal, bajociertas hipótesis. En lo que sigue, trataremos de analizar muy someramente, utilizando los principios elementales explicados anteriormente sobre la síntesis de redes de intercambio calórico y las nociones sobre sistemas integrados de generación y potencia, algunas de las alternativas que funcionan con éxito en la industria de la desalación de aguas, a los efectos de ejemplificar en un caso real, los elementos
  • Cap. II - Pág. 64 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 discutidos más arriba. Además, resultará interesante, durante el ejemplo, remarcar las etapas en las cuales, por cada alternativa propuesta, resultaría conveniente o necesario analizar la performance, contemplando rigurosamente los aspectos de diseño tales como el sistema de control, operabilidad, análisis de fallas, etc., o lo que es lo mismo, la utilización de simuladores tantoestacionarios como dinámicos. Aquí resultará mucho más evidente lo remarcado anteriormente, respecto al gradode flexibilidad que deben poseer los simuladores de uso general, ya que durante la tarea de diseño deberán ser utilizados numerosas veces, y siempre sobre variantes estructurales u operativas que surgen de aplicar criterios de optimización evolutivos durante el ciclo de diseño. Síntesis de la estructura de los procesos de desalación por vía térmica Como hemos mencionado, los procesos de desalación por evaporación separan el destilado de la salmuera a través de un cambio de fase. Debido a que el sistema desalador produce agua a partir de evaporaciones y posteriores condensaciones (el productoes líquido), se pueden identificar numerosas operaciones deintercambiocalórico, queademásincluyen el pre-calentamientodela alimentación. Luego, existirá un sistema de recuperación de energía asociado al complejo desalador (red de intercambio calórico). Es de notar que, por logeneral, los problemas clásicos que se presentan en la síntesis de una red de intercambio (por ejemplo en una refinería de petróleo) se caracterizan por la presencia de un gran número de corrientes, yun número importante de equipos tantode transferencia de materia como de energía. Como hemos visto en la sección 3.1 el problema resulta bien planteado si se conocen todas las corrientes, las temperaturas de entrada y salida, sus propiedades fisicoquímicas, etc. En nuestroejemplo, en cambio, si bien existe una red de intercambiocalórico según se muestra en la Figura (II.10), esta no está definida en cuanto al número de corrientes y sus temperaturas, tanto de entradas como de salidas. Por lo tanto, estrictamente hablando, o conceptualmente hablando, el ejemplo analizado no es un problema típico de síntesis de redes de intercambiocalórico. Además, el enfriamiento de la corriente caliente (Te a Ts) se produce por evaporación flash, simultáneamente con la producción de vapor, que se utiliza para intercambiar calor con la corriente fría. No obstante, pueden aplicarse todos los principios conceptuales discutidos anteriormente, a partir de un razonamiento muy sencillo. A continuación expondremos la relación quenos permitirá asociar el proceso de transferencia de energía y vapor simultáneos con la estrategia de modelado que hemos introducido para la síntesis de la red de intercambiadores, esto es la representación en el diagrama T-H. Sea por ejemplouna corriente fría (CF) que evoluciona tomandocalor de una corriente caliente (CC) en un dispositivo en contracorriente como se indica en la
  • Cap. II - Pág. 65 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.9: Esquema estructural de un sistema de desalación por evaporación. Figura (II.11), ambas con el mismo flujo de capacidad calorífica. A diferencia de los sistemas de intercambio convencionales, en este caso, podemos suponer en un principio que el enfriamiento (dT) de la SCC se produce como consecuencia de un enfriamiento brusco o auto-evaporación diferencial (o flasheo) en el diferencial de longitud (dL). La corriente de vapor generada (dV) será la encargada de transferir calor a la CF, al condensar y ceder energía térmica (dQint), provocando en ella un aumento diferencial de temperatura (dt), que por un simple balance de energía resulta igual a la caída (dT) experimentada por la CC. El vapor condensado (dV), genera una corriente líquida (dD), apareciendo por lo tanto una nueva corriente cuya evolución debe ser equivalente a la CC que la origina; dado que el destilado objeto del proceso debe ser obtenido a temperatura ambiente (To) y debe enfriarse. Por lo tanto, si bien ambas corrientes físicamente resultan diferentes, a los efectos del modelo, destilado y salmuera conforman, por definición, la supercorriente caliente (SCC) con un flujo de capacidad calorífica constante, independientemente que a medida que evoluciona a lo largo de la longitud (L) se produce su separación en la corriente de destilado (D) y la de deshecho (B). En otras palabras, tenemos la supercorriente fría (salmuera que se precalienta) y la supercorriente caliente, conformada por la salmuera que se enfría (por evaporación súbita), y el destilado que circula por las etapas (que también se enfría por evaporación) hasta convertirse en el producto final. Se supone además, que existe la fuerza impulsora necesaria para la evaporación flash, esto es, un gradiente de presiones (dP) a lo largo del dispositivo de intercambio, de tal forma de permitir el flasheo de la SCC y originar la corriente de
  • Cap. II - Pág. 66 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 eT Qv st vQ Te st DesechoB Ts Destilado D Aliment. Fo et D+B t Fe o Ts Figura II.10 : Estructura del sistema con infinitas etapas, derivada del modelo adoptado para el intercambio calórico, con evaporaciones diferenciales tanto de la corriente de destilado como de la salmuera de desecho. vapor (dV). En la Figura (II.10) se muestra un esquema idealizado que cumple con las premisas consideradas en el dispositivoanteriormente analizado, siendonecesaria la presencia del calentador de salmuera para llevar la temperatura de la CF desde ts a Te, necesariamente mayor a los efectos de permitir la condensación de la corriente dV producida por auto-evaporación de la SCC. Esta evolución analizada para la SCC, coincide con una evolución en la cual
  • Cap. II - Pág. 67 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.11 se cede energía calórica en forma de calor sensible, de tal forma que su representación en el plano (T-H) será una línea recta, paralela a la que representa la evolución de la CF (ya que son la misma supercorriente antes ydespués del calentador introducido en el esquema de la Figura (II.10)). Se nota por lo tanto que, en virtud de la estrategia de modeladoadoptada, pesea producirseuna transferencia simultánea demateria (vapor) y energía entre ambas supercorrientes, el enfoque en el diagrama T-H convencional para representar la evolución del sistema de intercambio se aplica directamente (Figura II.11). Como analizáramos en la Sección 3.1, aquí tenemos un sistema sencillo desde el punto de vista del diagrama T-H. En efecto, en la Figura (II.12) se observa en la parte (a) la situación de máximo consumo de servicios, disminuyendo éstos a medida que se desplacen las supercorrientes, de tal forma de producir superposición, o lo que es equivalente, la factibilidad de intercambio entre las mismas. Esta superposición está limitada como vimos por el valor de acercamiento mínimo permitido (
  • t), ya que si se adopta
  • t = 0, la recuperación de energía térmica será máxima, pero el área de intercambio térmico resulta infinita. Por otra parte, la SCC debe siempre poseer una temperatura mayor a la SCF (
  • t > 0). Queda claro según lo expuesto que una evolución como la indicada en la Figura (II.12) puede ahora representar una operación de intercambio calórico convencional, o bien para este caso, una en la cual se realiza un transporte simultáneo de vapor y energía calórica, según el mecanismo analizado recientemente. Resulta sumamente importante además, una consecuencia directa de tal correspondencia. En efecto, existirá una relación que vincula la cantidad de energía recuperada (Qint) y el destilado producido (D); ya que éste último es proporcional a aquél, según se desprende a partir de la evolución de la SCC, en la cual todo el calor transferido se realiza a partir de la producción de vapor. Esta relación puede obtenerse analizando
  • Cap. II - Pág. 68 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.12: Evolución de ambas supercorrientes en el diagrama T-H. (a) Solapamiento nulo (máximo consumo) (b) Solapamiento máximo (mínimo consumo) la producción elemental (en cada etapa) de las sucesivas evoluciones diferenciales de flasheo de la SCC. Sin embargo, no nos abocaremos aquí a esta tarea, dejando al lector con inquietudes consultar a la bibliografía citada (Scenna, 1987). Dispositivo real. Una vez adoptado el parámetro
  • t, según lo visto, la evolución anterior determina el mínimo consumo energético (Qv) ya que al asegurarse la máxima superposición (Intercambio calórico entre las supercorrientes) se maximiza la recuperación de calor (Qe) a partir de las corrientes calientes. Por otra parte, debido a que el calor recuperado, en función del mecanismo utilizado, está acompañado de una transferencia de vapor a partir de la salmuera, se incrementa la producción de destilado. No obstante, el sistema definido por esta evolución idealizada contiene infinitas etapas de flasheo, cada una con un salto diferencial de presiones (o temperaturas) y una producción diferencial. Evidentemente, un sistema real, será aquél que contenga un número finito de etapas de flasheo (ver Figura (II.13)). En consecuencia, si se desea analizar la evolución correspondiente a un sistema real, entendiendo por tal uno con un número de etapas finito, se deberán introducir saltos finitos de temperaturas para el flasheo (
  • tf) en lugar de los saltos diferenciales previamente considerados en el enfriamiento de la SCC. Obviamente, y en correspondencia con éste, queda definido un salto de presiones equivalente (
  • pf). Por otra parte, es evidente que el valor (
  • tf) no puede ser arbitrario. En efecto, su cota superior resulta el valor (
  • t) definido para la
  • Cap. II - Pág. 69 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 operación de intercambio calórico. Por otra parte, para condensar los vapores producidoscon área finita será necesariodisponer deun acercamientodetemperaturas (
  • tc). Nuevamente, el valor correspondiente a dicha magnitud resulta acotado. Más aún, según la Figura (II.13), resulta sencilloplantear la relación que vincula los saltos térmicos mencionados. En efecto, la modificación introducida involucra el desdoblamiento de la fuerza impulsora para la transferencia calórica original (
  • t) en dos componentes; el equivalente térmico correspondiente al gradiente de presiones (
  • tf ~
  • Pf, fuerza impulsora para la transferencia de materia), y el acercamiento permitido para la condensación de los vapores
  • tc , fuerza impulsora para la transferencia de calor). En la Figura (II.14) se gráfica en el plano T-H, la evolución que corresponde a un sistema cuyas temperaturas extremas son Tm y To respectivamente, evolución en la que se basa la alternativa tecnológica conocida como proceso de desalación por flash múltiple etapa (EMF) sin recirculación, en la cual se ha supuesto un valor constante para (
  • tc) y (
  • tf) en cada etapa. A poco de observar el diagrama indicado en la Figura (II.14) nos damos cuenta que existirán diversas políticas de asignación de caídas de presión (temperatura) entre etapas (todas iguales o distintas entre sí), lo cual producirá simultáneamente distintas fuerzas impulsoras (diferencias de temperaturas) en los intercambiadoresdepre-calentamientodelaalimentación. Luego, existirá una política óptima de asignación de las mismas que produzca un costo mínimo. Dicha política puede obtenerse, planteando un problema de optimización (con los métodos que se analizarán en el Capítulo XII) o bien obtener una solución aproximada construyendo un diagrama equivalente a la Figura (II.6). En efecto, el costo del sistema no sólo involucra el área de intercambio y el vapor de calefacción, ya que existe un costo asociado a cada recipiente de vaporización, siendo este factor proporcional al número de etapas. Además existe un costo asociado al bombeo de fluidos, el pre-tratamiento de la alimentación, etc. No obstante, para un diseño preliminar, puede suponerse con un gran margen de seguridad, que el costo determinante está asociado al sistema de intercambio calórico, por lo cual optimizarlo implica optimizar el proceso. Aquí sólo nos resta destacar que a partir de un razonamiento elemental, y apoyados en prácticas o principios de la síntesis de redes de intercambiadores, se pudo generar una estructura para el sistema, y además, visualizar rápidamente las variables que pueden afectar la performance óptima del proceso. En este caso, las más importantes son obviamente el númerode etapas yel acercamiento mínimo permitido en los intercambiadores, tanto principal como los de recuperación de calor. Esto implica dos variables, cuando se supone que todos los saltos entre etapas son iguales; mientras que si se considera que los saltos en cada etapa pueden ser diferentes entre sí, el númerode variables a optimizar seincrementa notablemente. Si se considera que el coeficiente global de intercambio (U) también varia etapa a etapa, la complejidad del problema se incrementa aún más.
  • Cap. II - Pág. 70 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 N-1 N-1 N-1 N-1 21L L N-2L L 2 T oF Te 1 T2 vQ G1 1V V N-2T N-1T N-2G N-1G VN-2 V D1 l1 v2 ts D2 l2 N-2v N-2D D N-1v lN-2 l Destilado Desecho NL = B sT TN GN VN sT Aliment. D = DN Nv lN te oF ûtf,1 ûtf,2 ûtf,n-1 ûtf,n Figura II.13: Esquema de un dispositivo real y principales variables asociadas al sistema Evaporación Múltiple Flash (EMF). Obviamente, si se requiere analizar la performance operativa del proceso, deberán introducirse las propiedades de los fluídos, por lo que será necesario recurrir a un modelo más riguroso, ya sea para la simulación estacionaria o dinámica, o bien para el diseño geométrico de las cámaras de flasheo, o del sistema de vacío. En efecto, la elevación del punto de ebullición depende de la temperatura, la cantidad de vapor producida depende de la eficiencia de la operación de flasheo (que dependerá de la geometría de la cámara), la potencia del sistema de vacío dependerá de los no- condensables. En general, se recicla parte de la corriente de desecho ya que está tratada ypuede entonces ahorrarse el costode pre-tratamientode la porción reciclada, etc. Por otra parte, los coeficientes peliculares de intercambio dependerán de las propiedades de los fluidos en cada cámara y su geometría, y no son constantes. En síntesis, luego del análisis genérico de las estructuras, o bien una optimización de
  • Cap. II - Pág. 71 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 T0 Q0 Qe Qv H Ts máx T = TeT ût ûtf ûtc Figura II.14: Evolución de un sistema EMF en el diagrama T-H. variables operativas, que por lo general para simplificar el problema en una primera etapa involucra un modelo simplificado, cuando queremos analizar la performance del proceso, o su operabilidad bajo determinadas condiciones, debemos recurrir a un simulador riguroso ya sea estacionario o bien dinámico (ver Capítulo XVII). El proceso aquí bosquejado, (solo se han indicado nociones elementales), es muy empleado hoy en día, y se lo conoce como Evaporación Múltiple Flash (EMF). Un análisissimilar puederealizarsepara un sistema por evaporación múltiple efecto (Scenna, 1987). Más aún, las estructuras óptimas para un sistema por evaporación múltiple efecto implican un procedimiento bastante complejo, involucrando enfoques similares a los aquí bosquejados o métodos de optimización computacionales (Schenoy, 1995).
  • Cap. II - Pág. 72 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.15: Esquema de una planta de doble propósito con turbinas de contrapresión y de condensación Síntesis de sistemas de desalación con doble propósito Como hemos comentado en la sección 4.2, analizando el esquema de intercambioentre las corrientes frías ycalientes en el diagrama T-H se pueden extraer conclusiones útiles acerca de la integración del sistema con máquinas térmicas, tanto aquellas para la producción de potencia como para las que la consumen. En el caso de los procesos dedesalación, la producción de agua potable por métodos evaporativos requiere del aporte de energía calórica a los niveles de temperatura que surgen del diseño de estos procesos. En otras palabras, se podría pensar en que la demanda de energía del sistema de desalación sea provista por la descarga de un ciclo de generación de potencia. Se puede probar, por las reglas de integración de máquinas térmicas a la red de intercambio, que una integración como la indicada en la Figura (II.15) resulta adecuada, ya que la descarga de la máquina térmica se aprovecha íntegramente en calentamiento (el calentador principal del desalador), por lo que tiene eficiencia marginal del 100% (todo el calor adicional al que se entrega al desalador y pasa por
  • Cap. II - Pág. 73 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura II.16: Evolución característica del vapor en plantas de desalación por doble propósito. El punto B muestra el nivel de expansión cuando se extrae vapor para utilizarlo en el evaporador flash. El punto C muestra la expansión de una turbina de condensación. La diferencia implica potencia eléctrica no producida a cambio de eliminar servicios de calefacción en el calentador. el ciclo se convierte íntegramente en trabajo). Esto es, en el sistema integrado se logra convertir esa cantidad de calor totalmente en trabajo, lo cual está prohibido por la segunda ley de la termodinámica, si utilizáramos el ciclo funcionando solamente, en forma no integrada. Aquí pueden plantearse varios esquemas de integración, esto es, turbinas de contrapresión (descargan todo el vapor luego de la expansión al calentador principal del desalador), de extracción (sólo se extrae lo necesario para la demanda en el desalador pero el resto del vapor prosigue la expansión hasta el máximo posible), y por último, la utilización de turbinas de gas, las cuales generan una corriente gaseosa a alta temperatura que puede utilizarse para generar vapor y éste, luego de pasar por una turbina de alguno de los dos tipos mencionados arriba, podrá ser utilizado en el calentador principal del desalador (Aguirre y col., 1997), (Scenna, 1987). En resumen, es posible, desde el punto de vista estructural, plantear la integración del proceso a un sistema de generación de potencia ya que además las poblaciones demandan simultáneamente ambos productos. En este sentido, la mejora se manifiesta con la cristalización deprocesos híbridos que aprovechan características ventajosas de las metodologías básicas ya descritas.
  • Cap. II - Pág. 74 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 En la Figura (II.16) se representa en un diagrama T-S, la evolución característica del vapor en plantas de desalación por doble propósito. No obstante, además de generar las estructuras yalternativas, debemos optar por una de ellas, según un criterio de óptimo. Nuevamente, esto dependerá de muchas variables, tanto del desalador (ya hemos mencionado varias) como de los ciclos de potencia posibles de integrar. Por ejemplo, deberá analizarse la proporción entre agua y energía demandada (lo cual puede favorecer a uno u otro tipo de turbinas en la alternativa de integración), el precio de la electricidad, el del agua, la tasa de interés, el precio del combustible, etc. Nuevamente, se deberá plantear un modelo de optimización en el cual intervengan todas las variables. Además, para verificar la performance del sistema involucrando aspectos tanto estáticos como dinámicos cada vez más profundos (geometría de las cámaras, nivel de las mismas, etc.) a los efectos de estudiar criterios de control ante fuertes fluctuaciones de la demanda (ciclos diurnos, estacionales, etc., tanto en agua como en electricidad), deberá necesariamente utilizarse un simulador riguroso que involucre todos los equipos mencionados, contemplándose sus características geométricas y operativas. Consideraciones Finales acerca del Ejemplo Existen además otras combinaciones posibles. En efecto, así como se plantean reglas para la integración adecuada de ciclos productores de potencia también existen las correspondientes para la ubicación de los ciclos consumidores de potencia. Para nuestroejemplo, sólomencionaremos que éstas justifican a lossistemas de compresión de vapor, en los cuales se reemplaza la fuente de energía externa (vapor de calefacción por energía mecánica), recurriendo a compresores. La utilidad práctica de esta opción nuevamente dependerá de los costos relativos asociados, la operabilidad del sistema, etc., exigiendo un estudio en profundidad, al igual que las anteriores propuestas. Podría también suponerse, en la alternativa de bombeo de calor por medios mecánicos, la utilización de vapor como elemento de arrastre y proveedor de la energía necesaria, a través de un eyector. Esta alternativa, en la cual se utilizan eyectores para la compresión de vapores en lugar de energía mecánica, se conoce en la actualidad como procesos de desalación por termo-compresión. Por otra parte, dado que el vapor necesario para que funcione un eyector puede disponerse a partir de extracciones a una turbina, comoen el caso de las plantas doble propósito, pueden plantearse de este modo nuevas alternativas. Igualmente, puede considerarse la combinación de elementos estructurales basados en termo- compresión, energía mecánica, y evaporación múltiple flash o múltiple efecto. Es decir, combinaciones híbridas que serán más convenientes o no, de acuerdo a un número de condiciones que deberán analizarse en cada caso particular. Y para ello,
  • Cap. II - Pág. 75 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 seguramente deberá recurrirse a simuladores del proceso que permitan evaluar las distintas condiciones de operación, la controlabilidad, seguridad, etc; además del aspecto económico propiamente dicho. II.5 ETAPAS EN LA INGENIERÍA DE PROCESOS En el ejemplo anterior solo se pretendió mostrar, en forma muy sintética y elemental, una aproximación a algunas de las etapas comunes y metodologías disponibles para la generación de estructuras convenientes; y a su vez, el gran esfuerzo que ello significa, en particular si imaginamos una idea a nivel de propuesta o de ensayo de laboratorio, y el problema de su implementación en un proceso real. Como ya mencionamos, es evidente que dada la existencia del enorme número de alternativas para un proceso dado y la necesidad de analizar la viabilidad de las mismas, siempre existirá la necesidad de simular los diversos arreglos para chequear innumerables cuestiones operativas, al principio sólo a nivel de balances de materia yenergía. Seguidamente, avanzando ya en el diseñoal adoptar una estructura básica, deberán analizarse numerosos itemes, desde el diseño propiamente dicho, los aspectos dinámicos y el control, hasta la política de puesta en marcha y parada, con los consiguientes agregados de equipos y verificaciones de lazos de control y área de intercambio, etc.; y por último (pero no menos importante) los aspectos de confiabilidad del proceso, que deberán estudiarse desde el mismo momento que comienza la síntesis del flowsheet, pero que deben verificarse cuantitativamente después de definidas las características operativas yde diseñode los diversos equipos. Por ejemplo, la simulación de diversos estados transitorios ante fallas críticas, para decidir el nivel de protección y redundancia en las distintas alarmas, bombas y compresores en paralelo (redundantes), sistemas de alivio, etc. En la Figura (II.17) se esquematizan someramente los distintos pasos que se llevan a cabo normalmente en la tarea del diseño de procesos químicos. En ellos se indica el uso genérico que puede darse a la herramienta de simulación durante la tarea normal de diseño. Hasta aquí hemos discutidolos aspectos inherentes al diseñode procesos. Sin embargo, existe todo otro capítulo que corresponde a la operatividad u operabilidad de los mismos, esto es, su puesta en marcha, operación normal y en las condiciones óptimas, la optimización en línea para encontrar el nuevo punto óptimo ante cada variación en los parámetros de entrada (materias primas, condiciones ambientales), etc. En este caso, más que la simulación estacionaria resulta muy útil la simulación dinámica, y en particular, la que se lleve a cabo en tiempo real, debido a que se trata de optimizar las condiciones en operación ante modificaciones en las condiciones de contorno del proceso, o bien durante la supervisión del mismo, o el diagnóstico de fallas, etc. Por ejemplo, podemos imaginar un sistema de control inteligente que en vez de tener fijos los set points de cada controlador, o bien depender del operador para sus cambios, éstos sean fijados por el sistema de supervisión en
  • Cap. II - Pág. 76 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 tiempo real (automáticamente) ante cada cambio, de manera de optimizar la performance según una función objetivo previamente especificada. Sistemas de Información Integrados. Muchas de las tareas de supervisión de procesos requieren de la disponibilidad de una gran cantidad de datos. Como se mencionó anteriormente (ver Capítulo I.5), no existe una sola herramienta que lleve a cabo adecuadamente todas las tareas que comprende la actividad de diseño o la supervisión de un proceso en operación. Además, la evolución histórica hizo que se generaran distintas implementaciones (software y hardware) para la solución de diversos aspectos parciales (sistemas de control, simulación estacionaria, simulación dinámica, programas de diseño de diversos equipos, etc.), pero cada uno en forma autónoma y poco compatible con el resto. A partir de la gran diversidad de aplicaciones existentes, por un imperativo de la realidad, se está realizando un gran esfuerzo para lograr un entorno único de aplicación que permita un diálogo eficaz entre las distintas herramientas, no sólo de diseño, sinotambién de administración (stock, costos, programación dela producción, ventas, compras, evolución del mercado, etc.). El objetivo consiste en integrar toda la información disponible acerca de la empresa en un únicoambiente, útil para el soporte en la toma de decisiones, cualquiera sea el punto de vista o gerencia que demande dicha tarea. Este nuevo campo, el de los sistemas de información aplicados a las industrias de proceso, como base para el gerenciamiento de la información y toma de decisiones, evolucionará en forma muy dinámica en las próximas décadas, haciendo que muchas de las herramientas de síntesis y análisis aquí someramente discutidas, como así también las de soporte para la operabilidad y supervisión del proceso en tiempo real, cambien radicalmente su filosofía, haciéndolas más flexibles, más abiertas al usuario, más fácilmente adaptables a casos particulares, y minimizando la distinción entre operación y diseño del proceso, datos para la administración o para la producción, para el sector mantenimiento (preventivo o predictivo) o para el departamento control de calidad o bien para evaluar la confiabilidad del proceso, o para asesoramiento al operador en la tarea de supervisión o diagnóstico de fallas en tiempo real. Estas tareas mencionadas no son un listado exhaustivo, solamente constituyen un conjunto indicativo entre muchas de las que hoy son llevadas a cabo con el auxilio de sistemas computacionales, y que en un futuro no muy lejano serán integradas (intercambiarán información) en un único entorno o ambiente de aplicación. En efecto, en la sección I.5 mencionamos someramente las características propias de los sistemas auxiliares para el gerenciamiento de la información, y la necesidad de contar con herramientas computacionales compatibles.
  • Cap. II - Pág. 77 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Actividades iterativas durante el diseño de procesos químicos. y resultado del diseño Estructura del sistema Confiabilidad y Seguridad Análisis del sistema Síntesis de sistemas redundantes Diseño de las unidades de control Análisis dinámico del sistema Síntesis del esquema de control, instrumentación y diseño de alarmas de purga del sistema Diseño de las unidades Análisis del sistema (operabilidad) y anormales Condiciones normales Puesta en marcha-parada Síntesis OPTIMA del proceso cantidad de movimiento) (balance de materia, energía y Análisis y optimización del sistema Diseño de las unidades de proceso Figura II.17
  • Cap. II - Pág. 78 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Desde este punto de vista, no debe confundirse la dificultad que mencionamos para lograr un algoritmo que englobe a todas las tareas del ciclo síntesis-análisis-optimización, con la disponibilidad de un entorno computacional o ambiente informático integrado en el cual justamente las herramientas parciales intercambian información, a los efectos de facilitar la tarea iterativa propia del diseño. En este sentido, se está evolucionando hacia una síntesis de los diversos algoritmos en un únicoprocedimiento, yla integración delasherramientasinformáticasparciales en un único ambiente de interacción. Seguramente, de la convergencia de ambas corrientes se obtendrán próximamente contribuciones importantes en la disciplina del diseño de procesos asistido por computadora. He aquí la verdadera dimensión del problema! He aquí también una idea acerca de qué se deberá lograr en el campo del modelado de procesos, y su implementación en algoritmos computacionales. En el restodel librointentaremosdar una breve noción de los aspectos asociados al modelado y su implementación en algoritmos computacionales para la simulación (y optimización) estacionaria o dinámica de procesos químicos, y algunos de sus usos más comunes. Lamentablemente, abarcar la totalidad de los aspectos mencionados es muy difícil de lograr en un solo volumen. No obstante, en todos los casos se trata de incentivar la lectura de otros trabajos que tratan temas complementarios o profundizan lo aquí desarrollado, con la esperanza que resulten de utilidad para aquellos deseosos de profundizar en los temas discutidos en el presente capítulo. PROBLEMAS PROPUESTOS P1) En base a qué enfoques se puede plantear la tarea de síntesis de procesos y cuáles son las características de cada uno de ellos? P2) Qué ventajas y desventajas implica la descomposición de un proceso en subunidades, como metodología para la generación del flowsheet del mismo? El problema es aún combinatoriamente explosivo? P3) Qué procedimientos de descomposición de un proceso conoce? Discuta las similitudes y/o diferencias que encuentre entre ellos. P4) Seleccione un flowsheet de una revista (por ejemplo, Hydrocarbon Process). Identifique las corrientes calientes y frías, discuta como construir las supercorrientes que correspondan y cuál es el procedimiento para determinar el mínimo y el máximo consumo de servicios auxiliares para el sistema. P5) Que importancia tiene la determinación del puntopinch para el diseñodel sistema de intercambioenergético, considerando simultáneamente la generación de potencia?
  • Cap. II - Pág. 79 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 P6) Se requiere separar una corriente efluente proveniente de una unidad de hidrogenación en sus componentes puros utilizando destilación convencional. Esquematice las posibles secuencias de separación, sabiendoque las características de la mezcla se describen a continuación: Componente Flujo Molar (kgmol/hr) Volatilidad Relativa Propano (C3) 10.0 8.1 Buteno (B1) 100.0 3.7 n-Butano (nB) 341.0 3.1 Buteno-2isómero (B2) 187.0 2.7 n-Pentano (C5) 40.0 1.0 P7) Aplique los heurísticos dados, además de los que Ud. proponga, para determinar la secuencia más favorable para el problema (P6). BIBLIOGRAFÍA CITADA O RECOMENDADA • Aguirre P. A., Scenna N. J. y Mussati S., “Thermodynamic Synthesis of Cogeneration Systems in Thermal Desalination Plants, Including Gas Turbines”, IDA World Congress on Desalination and Water Reuse, Vol IV, 383-394, Madrid (1997). • Argnihotri R. B. y Motard R. L., “Reaction Path Synthesis in Industrial Chemistry”, ACSSymp. Series, Computer Applications to Chemical Process Design and Simulation, 124, 193 (1980). • Benz S. J.“Síntesis Óptima de Trenes de Destilación Flexibles con Integración Calórica”, Tesis Doctoral, Facultad de Ingeniería Química, Universidad Nacional del Litoral, Santa Fe, Argentina, 1991. • Benz S. J. y J. Cerdá, “Optimal Synthesis of Flexible Heat-Integrated Distillation Trains”,Computer Chem. Engn., 16, 8, 753-776 (1992). • Cerdá J., B. Linnhoff y A. W. Westerberg, “Minimun Utility Usage in Heat Exchanger NetworkSynthesis: ATransportation Problem”, Chem. Eng. Sci., 38, 373 (1983). • Corey, E. J. y W. T. Wipke. “The Computer- Assisted Synthesis of Complex Organic Molecules”, Science, 116, 179 (1969). • Douglas J., “Conceptual Design of Chemical Processes”, Mc Graw-Hill Co, 1988. • Galli M. R. “Síntesis Óptima de Redes de Intercambio Flexibles”, Tesis Doctoral, Facultad de Ingeniería Química, Universidad Tecnológica
  • Cap. II - Pág. 80 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Nacional, Santa Fé, Argentina, 1990. • Galli M. R. yJ. Cerdá, “Synthesis of Flexible Heat Exchange Networks - III: Temperature and Flowrates Variations.”, Computer chem Engng. 15 (1), 7- 24 (1991). • Gelernter, H.., N. S. Sridharan, A.J. Hart, F. W. Fowler y H. J. Shue, “An Application of Artificial Intelligence of the Problem of Organic Synthesis Discovery”, Technical Report. Departaments of Computer Science and Chemistry, SUNY at Stony Brook, Agosto (1971). • Gelernter, H.., N. S. Sridharan y A.J. Hart. Topics in Curr. Chem., 41, 113 (1973). • Govind, R. yG. Powers. “Studies in Reaction path Synthesis”, AIChE J., 27, 429 (1981). • Govind, R. y G. Powers. “Control Systems Synthesis Strategies”, AIChE J, 28, 60 (1982). • Grossmann, I. E. “Mixed Integer programming Approach for the Synthesis of Integrated Process Flowsheets”, Comp and Chem. Engng., 9, 463-482 (1985). • Hendry J. E., D. F. Rudd y J. D. Seader. “Synthesis in the Design of Chemical Processes”, AIChE J., 19, 1 (1973). • Hendry J. E. y R. R. Hughes. “Generating Separation Process Flowsheets”, Chem.Eng.Prog., 68, 69 (1972). • Hlavacek V. “Journal Review: Synthesis in the Design of Chemical Processes”, Comput. Chem. Eng., 2, 67 (1978). • Hohmann E. C., “Optimun Networks for Heat Exchnage”, Ph. D. Thesis, Chemical Engineering, University of Southhern California, Los Angeles, CA, 1971. • Irazoqui H. A., “Optimal Thermodynamic Synthesis of Thermal Energy Recovery Systems”, Chem. Eng. Sci. 41, 1243-1255 (1986). • Kaibel, G., Blass. E., y Koehler J., “Thermodynamics Guideline for the Development of Distillation Columns Arrangements”, Gas Sep.& Purif., 4, 109-114 (1987). • Koehler, J., Aguirre, P. yE. Blass, “EvolutionaryThermodynamic Synthesis of Azeotropic Distillation Sequences”, Gas Sep.& Purif., 6, 3, 153-167 (1992). • Linnhoff, B. “Use Pinch Analysis to Knock Down Capital Cost and Emissions”, Chem. Engn. Prog., Agosto (1994). • LinnhoffB. yJ. R. Flower. “Synthesis ofHeat Exchanger Networks”. AIChE J., 24, 633 (1978). • Linnhoff B. y E. Hindsmarsh. “The Pinch Design Method for Heat Exchanger Networks”, Chem. Eng. Sci., 38, 5, 745-763 (1983). • Linnhoff B. y S. Paker. “Heat Exchanger Networks with Process
  • Cap. II - Pág. 81 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Modifications”, IchemE 11th Annual Res Meeting, April, bath, U.K., 1984. • Linnhoff, B. y J.A. Turner. “Simple Concepts in Process Synthesis give EnergySavings and Elegant Designs”, the Chemical Engineer. pp 621-624, Octubre, 1980. • Linnhoff, B. y D.W. Townsend. “Designing Total Energy Systems”, Chem. Engn. Prog., 78, 7, 72-80 (1982). • Linnhoff, B., Townsend, D. W., Boland, D. Hewitt, G.F., Thomas, B.E.A., Guy, A.R.; Marsland, R.H.; Flower, J.R., Hill, J.C., Turner, J.A. y D. A. Reay. “User Guide on Process Integration for the Efficient use of Energy”, The Institute of Chemical Engineers, London, 1982. • May D. y D. F. Rudd, “Development of Solvay Clusters of Chemical Reactions”, Chem. Eng. Sci., 31, 59 (1976). • Morari, M., Y. Arkun, y G. Stephanopoulos. AIChE J., 26, 220 (1980). • Nishida N., G. Stephanopoulos y A. W. Westerberg, “A Review of Process Synthesis”, AIChE J., 27, 321 (1981). • Nishimura H. “A Theory for the optimal Synthesis of heat exchange systems”, J. Optimization Theory Appl., 30, 423-450 (1980). • Petlyuk, F.B., Platonov V.M. y D. M. Slavinskii. “Thermodynamically Optimun Method for Separating Multicomponent Mixtures”, Int. Chem. Eng., 5, 3, 555-561 (1965). • Rudd D. F. “The Synthesis of System Design: I. Elementary Decomposition Theory”, AIChE J. 14, 343 (1968). • Rudd, D.F., G.J. Powers yJ.J. Siirola, “Process Synthesis”, Prentice Hall, NJ (1973). • Rotstein, E. y G. Stephanopoulos. “Studies on the Synthesis of Reaction Paths. Part I”.Annual AIChE Meeting, Chicago, November, 1980. • Scenna N. J., “Síntesis de procesos de Desalinización Térmica”, Tesis Doctoral, Universidad Nacional del Litoral, Santa Fé, Argentina, 1987. • Shenoy U. V. “Heat Exchanger network Synthesis”, Gulf Publishing Co, 1995. • Stephanopoulos G. “Synthesis of Process Flowsheets: An Aventure in Heuristic Design or a Utopia os Mathematical Programming?”, en R.S.H. Mah and D. Seider (eds.), Foundations of Computer-Aided Chemical Process Design, 2, 439, Engineering Foundation, New York (1981). • Stephanopoulos G. yD. W. Townsend. “Synthesis in Process Development”. Chem Eng Res Des, 64, mayo, 1986. • Stephanopoulos G. y A. W. Westerberg. “Studies in Process Synthesis-II: Evolutionary Synthesis of Optimal Process Flowsheets”, Chem. Engn. Sci., 31, 195-204 (1976). • Takama N. y T. Umeda “Multi-level, Multi-objective Optimization in Process Engineering”, Chem. Engng. Sci., 36, 129-136 (1980).
  • Cap. II - Pág. 82 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 • Thompson R.W. y J.C. King. “Systematic Synthesis of Separation Schemes”, AIChE J., 18, 941 (1972). • Townsend, D.W. y B. Linnhoff. “Heat and Power Networks in Process Integration: I. Criteria for the Placement of Heat Engines and Heat Pumps in Process Networks”. AIChE J., 29, 742-748 (1983). • Umeda, T. “Computer Aided Process Synthesis”, Proceedings of Process Systems Engineering Symposium, p. 79, Kyoto, Japan, 1982. • Umeda T. Y T. Kuriyama. “A Logical Structure for Process Control System Synthesis”, Proc. of IFAC Congress, Helsinki, Finland, 1978. • Umeda T., T. Kuriyama, S. Kobayashi y A. Ichikawa. Comput.Chem.Eng., 4, 3 (1980). • Umeda T., Niida K. y K. Shiroko. “A Thermodynamic Approach to Heat Integration in Distillation Systems”. Computers & Chem. Engng., 25, 423 (1979a). • Umeda T., Niida K. y K. Shiroko. “A Thermodynamic Approach to the Synthesis of Heat Integration Systems in Chemical Processes”. Computers & Chem. Engng., 3, 273 (1979b). • Umeda T. y A. Ichikawa. “Synthesis of Optimal Processing Systems by a Method of Decomposition”, AIChE Meeting, Dallas, TX (1972). • Westerberg A. W., H.P. Hutchinson, R.L. Motard y P. Winter. “Process Flowsheeting”, Cambridge Univ. Press, Cambridge, England (1979). • Westerberg A. W. “A Review of Process Synthesis”, en Computer Applications to Chemical Engineering, R.G. Squires and G.V. Reklaitis (eds), ACS Symposium Series, (1980). • Westerberg A. W. “A Review of the Synthesis of Distillation Based Separation Systems” Conferencia Internacional sobre Nuevos Desarrollos Conducentes a Tecnologías de bajo Consumo Energético, Santa Fe (1983). • Wipke W. T. Computer Representation and Manipulation of Chemical Information, Wipke y col. (Ed.), Wiley, Ney York (1974).
  • Cap. III - Pág. 83 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f(x ) 0 (1) x F (x ) (2) xn / lim n xn x (3) En xn x (4) CAPÍTULO III REVISIÓN DE MÉTODOS NUMÉRICOS APLICABLES EN SIMULACIÓN DE PROCESOS EN ESTADO ESTACIONARIO Por H. J. Espinosa, P. Aguirre y G. A. Pérez III.1 CONCEPTOS BÁSICOS La solución de una ecuación no lineal o de una función trascendente, como método, supone la búsqueda de un valor tal que satisfaga la ecuación o función en cuestión. Si f (x) es una función no lineal genérica y x* es la solución o raíz, entonces se cumple que Otra forma alternativa de formular el problema es: donde F(x) es una función diferente de la original, y supone que puede explicitarse de la primitiva, cumpliéndose para ello el teorema de funciones implícitas. Una solución iterativa significa comenzar con un valor inicial, x0, y generar una sucesión (secuencia) x0, x1, x2, ..., xn, tal que: donde n representa el número de iteración (término de la correspondiente sucesión). El error exacto en la iteración n es: Las hipótesis usuales son que f(x), F(x) y x* satisfacen las siguientes restricciones: i.- x* se sitúa dentro de: I = [a, b]/f (x) Y F (x)  ÙI.
  • Cap. III - Pág. 84 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 xn xn 1 < üd (5.2) f (xn) < üd (5.1) xn xn 1 < üd xn (5.3) ii.- Hay una sola raíz (única) en I y es real (x*  Ü). donde el símbolo ; representa el operador lógico y y C1: funciones continuas. A pesar de que no se diga, todos los métodos usuales se basan en dichas hipótesis. De no ser así se requerirán métodos especiales. III.2 MÉTODOS BÁSICOS. DISCUSIÓN DE LA CONVERGENCIA En general, los métodos de mayor orden de convergencia llegan a la solución en un número menor de iteraciones. Las excepciones se producen al inicializarlos (o proponer las primeras estimaciones) con valores numéricos muy inapropiados. De todos modos, el menor número de iteraciones no necesariamente significa el menor tiempo computacional, dado que éste depende del esfuerzo de cálculo involucrado en cada iteración. El cálculo de f(x) es el mayor consumidor de tiempo junto con el cálculo de su derivada, que para el caso de una ecuación o función única pueden suponerse equivalente. El número de estas evaluaciones suele ser una medida más adecuada de la eficiencia del método de solución. Los métodos iterativos hallan la solución exacta (si eso ocurre) sólo en un número infinito de iteraciones (Ecuación (3)). En la práctica, las iteraciones se detienen cuando el error es menor que una adecuada tolerancia, impuesta por el usuario. El valor exacto del error (Ecuación (4)) no puede usarse como criterio de terminación, porque normalmente no se conoce. Por lo tanto, como criterio de finalización se usa una estimación del denominado error exacto, y es así como interviene la tolerancia de error adoptada, Ed. Los criterios generalmente usados son: Los dos primeros comparan errores absolutos, mientras que el tercero analiza errores relativos. Estos criterios pueden tener limitaciones, como veremos, y existen propuestas alternativas que resuelven el problema. Una comparación de los métodos más usados puede verse en la tabla siguiente:
  • Cap. III - Pág. 85 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 lim n xn  1 x xn x p  lim n ün  1 ün p K g 0 (6) Tabla III.1: Métodos más usuales. MÉTODO ORDEN DE CONVERGENCIA INFORMACIÓN PARA CALCULAR xn+1 BISECCIÓN LINEAL (1) f (xn), f (xn-1) SECANTE SUPERLINEAL (1.618) f (xn), f (xn-1) NEWTON-RAPHSON CUADRÁTICO (2) f (xn), f’ (xn) SUSTITUCIÓN DIRECTA LINEAL (1) F (xn) Evidentemente, en nuestro campo de aplicaciones importan las raíces reales de f(x) = 0. El hecho de analizar una función trascendente primero (o una función o ecuación no lineal) es debido a la relación con los sistemas de ecuaciones, tanto lineales como no lineales, y también porque introduce y educa en la generación de algoritmos, y en los problemas asociados con la convergencia: factibilidad y velocidad. Un concepto básico asociado con los métodos iterativos es el llamado orden de convergencia del método. Si definimos el error en la iteración n, como ün, entonces si existe un número real p  1 tal que: se dice que el método es de orden p, en x* . La constante K se llama constante de error asintótica, y depende de f(x). A mayor orden de convergencia, el método convergirá a mayor velocidad. Pero no implica, obviamente, garantía de convergencia. Otra medida usual es aquella que se hace para saber cuánto se debe computar, para alcanzar una cierta precisión en la raíz buscada. En este caso, además del orden interviene el costo computacional por iteración que es importantísimo para definir la eficiencia de un método. III.3 PRINCIPALES MÉTODOS III.3.1 El Método de Bisección Es interesante considerarlo porque naturalmente es lo primero que uno haría, si fuera capaz de graficar (o conocer la gráfica) de la función f(x) en cuestión. Además, su basamento se puede probar, y dentro de ciertas pautas da garantía de éxito. Si las raíces de interés práctico son aisladas, esto es los valores de x han sido divididos en distintos intervalos, en cada uno de los cuales sospechamos que se encuentra alguna raíz de importancia para nuestro fines, posibilita garantía de convergencia a la misma. Existe un teorema, que dice: Si f (x) es continua desde x=a hasta x=b, y si f (a) y f (b) tienen signos opuestos, luego hay como mínimo una raíz
  • Cap. III - Pág. 86 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura III.1: Raíz aislada de una ecuación. real de f (x) = 0, entre a y b. Basado en el teorema anterior, supongamos (tal como se aprecia en la Fig. (III.1)) que f (x) es continua y positiva en x = a y negativa en x = b. Luego, habrá una raíz entre a y b. Si, entonces, dividimos el intervalo I = [a, b] por la mitad, podemos calcular f [(a+b)/2], teniendo tres posibilidades, a saber: i.- Que sea cero (dentro de cierto error), en cuyo caso es la raíz. ii.- Que sea negativo, en cuyo caso la raíz está entre x = (a+b)/2 y x = a. iii.- Que sea positivo, entonces se encuentra entre x = (a+b)/2 y x = b. De modo que el procedimiento continua bisectando el intervalo cada vez, hasta lograr la raíz dentro de la precisión deseada. Cada repetición reduce el error máximo por un factor de 2 (dos), de manera que tres iteraciones producen una mejora aproximada de un orden de magnitud. Su gran virtud es que asegura la convergencia, que constituye una propiedad que no encontramos en los otros métodos. A cambio de ello, puede ser tremendamente lento lo que lo puede transformar en ineficiente, debido a que es lineal (orden 1). Otro método que converge para toda función continua es el denominado Método de la Falsa Posición o Regula Falsi (ver Figura (III.2)). Mecánica (algoritmo) x1 y x2/f (x1).f (x2) < 0
  • Cap. III - Pág. 87 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura III.2: Método Regula Falsi. x4 y3 y3 y1 x1  y1 y1 y3 x3 (7.2) x3 y2 y2 y1 x1  y1 y1 y2 x2 (7.1) yi 1 por . yi 1 yi 1, tal que 0 < . < 1 (8) luego Úx3 si: f (x3).f (x1) < 0 ; i = 1, 2 (en este caso i = 1) se repite x4 y continúa. Se ve que: Si f(x) es cóncava entre x1 y x2 se dice que el método es estacionario; esto es, el punto x1 es siempre uno de los dos puntos usados para la siguiente iteración (ver Figura (III.3)). Lo mismo ocurriría si fuese convexa en las inmediaciones de la raíz, provocando una convergencia lineal en estos casos. Una mejora que lo hace más eficiente consiste en aplicar la fórmula hallada (Ecuación (7.2)) a los puntos xi - 1 y xi + 1 , pero reemplazando
  • Cap. III - Pág. 88 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 xi2 . yi 1 . yi 1 yi1 xi1  yi1 yi1 . yi 1 xi 1 (9) . yi yi  yi1 (Método Pegaso) . ½ (Método Illinois) Figura III.3: Método Regula Falsi para funciones cóncavas. Esto es: Si cambia el signo debe retornarse el método original, de lo contrario se continúa con la mejora presentada. Las elecciones más simples para . son: Estas mejoras incrementan el orden, y los hace superlineales (Illinois: 1.44 y Pegaso: 1.64). Son algoritmos muy buenos cuando tenemos dos puntos en los cuales f(x) tiene signo opuesto. En caso de no querer hacer un esfuerzo computacional en hallarlos, se pueden usar interpolación lineal inversa con los dos últimos puntos computados para generar el siguiente. En este caso resulta:
  • Cap. III - Pág. 89 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 xi1 yi yi yi 1 xi 1  yi 1 yi 1 yi xi (10) xi1 xi xi xi 1 yi yi 1 yi (11) xi1 xi yi yi yi 1 xi xi 1 xi f (xi) f (xi) f (xi 1) xi xi 1 (12) xi1 xi f (xi) f
  • (xi) (13) A este método estacionario se lo denomina método de la secante. Requiere de dos aproximaciones iniciales (recordar Tabla (III.1)), y sólo si son cercanas a la raíz el método es convergente. Pero tiene la ventaja de ser super lineal (orden de convergencia = 1.618). Su nombre se debe, según la Ecuación (10), a que se puede escribir: expresión que será de utilidad cuando discutamos métodos para sistemas de ecuaciones. En la Ecuación (11) se pone de manifiesto un problema típico de errores en cálculo numérico. Se ve que cerca de la solución yi e yi - 1 son cantidades parecidas con lo que aparece el problema de cancelación sustractiva en ese segundo término; que es un término de corrección que estará aportando muy pocos dígitos significativos, lo que obliga a usar doble precisión (término computacional que implica la cantidad de dígitos retenidos) si queremos acercarnos a x* con mucha precisión. III.3.2 Métodos de Newton-Raphson. Usos de la Derivada de la Función Si basados en la Ecuación (11), expresión de la secante generalizada, modificamos el término corrector de modo que aparezca la pendiente en el punto, obtendremos el conocido método de Newton-Raphson. Es decir, si: se puede hacer que: expresión del algoritmo que nos interesa. Otra forma de entender la propuesta es suponer una expansión en serie de Taylor, truncada en el primer término (linealización de la función). Esto es:
  • Cap. III - Pág. 90 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f (xi1) N f (xi)  f
  • (xi) (xi1 xi)  ... (14) f (xi) N f
  • (xi) (xi1 xi) (15) x1 x0 f(x0 ) f´(x0 ) x2 x1 f(x1) f´(x1) ( 1) 4/( 5) 0.2 x3 x2 f(x2) f´(x2) ( 0.56) ( 1.3664)/( 1.88) 0.1668 x4 x3 f(x3) f´(x3) (0.1668) ( 0.47257)/( 2.6664) 0.01043 y = f(xi+1) es tal que es un valor muy cercano a x* , tal que si: yi+1
  • f(xi+1) = 0, tenemos: que conduce, reordenando, a la Ecuación (13) básica del método. Su ventaja es el orden de convergencia (p = 2, cuadrática) y su desventaja principal es la evaluación de la derivada de la función, ya sea analítica o numérica, como se verá en los casos de interés práctico. Ejemplo: Sea la siguiente función, que por lo sencilla pueden conocerse sus raíces, de tal forma de ilustrar la mecánica del método: f(x) = x2 - 3 x = 0, con raíces 0 y 3. Encontrar una de sus raíces por N-R. Para ello como vimos necesitamos un valor inicial supuesto, o semilla. Sea éste x0 = 1, y el criterio de tolerancia: f(x)  10 -3 . f( x0) = -2, distinto de cero, luego: f ´(x) = 2 x - 3, luego: x1 = 1 - (-2) / (-1) = -1. f(x1) = 1 + 3 = 4 C 0, luego: f(- 0.2) = - 0.56, C 0, luego: f (x3) = - 0. 47257
  • Cap. III - Pág. 91 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x5 x4 f(x4) f´(x4) (0.01043) ( 0.03118)/( 2.97914) 0.000036 xi1 F (xi) (16) Figura III.4: Método de aproximaciones sucesivas. f(x4) = 0.0 3118 > 10 -3 , luego: f(x 5) = 1.07 10 -4 ello implica que x5 es raíz de la función dada, dentro del margen de tolerancia especificado. III.3.3 Sustitución Directa o Aproximaciones Sucesivas Dada una función o una ecuación, si puede resolverse en forma explícitapara una variable, es decir si: Dado: f(x) = 0 Se propone: x = F(x) esto es, explicitando la variable independiente, se puede, entonces, establecer la fórmula para un algoritmo de un solo punto y estacionario, es decir: Su éxito dependerá, evidentemente, del arreglo logrado para la ecuación (esto es: F(x)), cuyo análisis permite ver la factibilidad de solución. Esto es, de acuerdo a la Figura (III.4), cuando es convergente (estabilidad del método). Se puede probar -y ver gráficamente- que si:
  • Cap. III - Pág. 92 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 F
  • (x) < 1 ; x J IGx x 3x F(x), con x  0 x xi1 Ki (x xi); Ki <1 (17) (x xi1) x K
  • (x xi) (18) es convergente. Ejemplo: Sea la misma función del ejemplo anterior. Encontrar una raíz por el método de sustitución directa. Para explicitar x operamos algebraicamente, y obtenemos: Hacemos x0 = 1, criterio de error (5.10 -3 ) x i+1 = F(x i), entonces: x1 = F(x0) = 3½ = 1.732051 x2 = F(x1) = 2.279510 x3 = F(x2) = 2.615060 x4 = F(x3) = 1.800925 x5 = F(x4) = 2.898754 x6 = F(x5) = 2.948942 x7 = F(x6) = 2.974361 x8 = F(x7) = 2.987153 x9 = F(x8) = 2.993570 x10 = F(x9) = 2.996783 x10 - x9 = 3.2 10-3 , luego, x10 es raíz de f(x) dentro del margen de error especificado. f(x10) = 0.0096  0 Aceleradores de Convergencia: Casos p=1 Son técnicas basadas en extrapolaciones. Si la iteración es convergente, será: donde: Ki  K: constante de error asintótico. Cerca de la convergencia Ki es prácticamente constante (y parecido al valor final de K). De modo que: y eliminando K’ entre dos iteraciones
  • Cap. III - Pág. 93 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 (x xi2) (x xi1) N (x xi1) (x xi) (19) x N xi xi2 x 2 i1 xi2 2 xi1  xi (20) xi1 q xi  (1 q) xi1 (21) xi2 F (xi1) resolviendo para x* se obtiene: Este resultado es el procedimiento de Aitken, de aceleración de convergencia. De manera que: xi+3 N x* es una mejor aproximación (valor extrapolado); y así se continúa con el proceso iterativo, que logra mejorar la performance. III.3.4 Procedimiento de Wegstein Es el algoritmo más utilizado para acelerar el método de aproximaciones sucesivas. Incluso, es de gran importancia su implementación en problemas de sistemas de ecuaciones no lineales, como veremos en el próximo capítulo. La base del mismo es proponer a la clásica iteración de aproximaciones sucesivas un valor mejorado, según la siguiente ecuación: de modo que: se corrige xi+2 y continúa. De la Ecuación (21) se ve que es necesario generar dos valores según el esquema tradicional, y conociendo q comenzar con esta propuesta. Para analizar el cálculo de q puede ser útil la Figura (III.5), donde se aprecia la aproximación propuesta.
  • Cap. III - Pág. 94 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura III.5: Método de Wegstein. xi1 x x q xi  (1 q) xi1 x xi1 q (xi xi1) (22) x xi (1 q) (xi1 xi) (23) x xi1 x xi
  • q (1 q) (24) Teniendo como idea que: es la definición de q, según: o sea y, de igual modo, resultando Como x* no se conoce, se debe aproximar. Esto es:
  • Cap. III - Pág. 95 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 q (1 q) 23 12 24 12 N 35 13 q (1 q) N xi2 xi1 xi xi1 (25) q N xi2 xi1 xi 2 xi1  xi2 (26) f (x) N L0 (x) a0  x x0 a1  x x1 a2  x x2 a3  x x3 ........ an 1  x xn 1 an (27) donde los segmentos indicados en los cocientes están determinados en Figura (III.5). Luego: de donde obtenemos la expresión para el cálculo de q: En el capítulo siguiente veremos ejemplos de aplicación tanto para una sola ecuación como para sistemas de ecuaciones no lineales, resueltas por este método. III.3.5 Uso de Fracciones Continuadas Para problemas de una variable la representación a través de fracciones continuadas ha demostrado tener ciertas ventajas sobre otros métodos tradicionales. La principal es el reducido número de operaciones que requiere su ejecución, con la correspondiente disminución del tiempo de computación. Este tipo de representación ha sido usado para problemas de interpolación de datos; y se puede extender al caso de búsqueda de raíces que nos interesa. Si se conocen valores tabulados de una función, es decir: (xo , f 0), (x1 , f 1),..., (xn , f n), para aproximar f(x) se puede proponer la siguiente expresión: Que, en forma compacta, puede ser escrita como:
  • Cap. III - Pág. 96 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f (x) N L0(x) a0  x x0 L1 (x) (28) L1 (x) a1  x x1 L2(x) L2 (x) a2  x x2 L3(x) .............. Li 1(x) ai 1  x xi 1 Li(x) .............. Ln(x) an (29) L0 (x0) f (x0)  f0 a0 (30) L0 (x1) f1 f0  x1 x0 a1 a1 x1 x0 f1 f0 (31) x (f) (32) donde: Los coeficientes ai pueden evaluarse con la Ecuación (29). Esto es, si L0(xi) se iguala a los valores fi , luego se resuelven las ecuaciones que resultan. Es decir: en x = xo en x = x1 luego, De igual forma se pueden obtener todos los coeficientes. En el caso de búsqueda de raíces, es decir resolver para los valores de x tal que: f(x) = 0, se plantea ecuación de la función inversa. Si ésta se aproxima por fracciones continuadas,
  • Cap. III - Pág. 97 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x 0( f ) a0  f f0 a1  f f1 a2 f f2 a3  f f3 .............. an 1  f fn 1 an (33) x a0 f0 a1 f1 a2 f2 a3 f3 .............. an 1 fn 1 an (34) x 0 (f) a0  f f0 1(f) (35) 1 (f) a1  f f1 2 (f) ........... i 1 (f) ai 1  f fi 1 i (f) ........... n (f) an (36) Luego, sustituimos f = 0 en Ecuación (33), de modo que el lado izquierdo sea una aproximación a la raíz buscada, La determinación de los coeficientes ai se lleva a cabo en una forma similar a la ya vista. Esto es, si: donde: la evaluación se hace con la Ecuación (36), poniendo 0(fi) igual a xi y resolviendo
  • Cap. III - Pág. 98 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 M n j 1 aij xj bi ; i 1, 2,..., n (37) A . x b (38) sucesivamente. En f = f0, (f0) = a0 (Ecuación 33). Un algoritmo muy interesante, basado en este método, es el de Shacham (1989). Se denomina de memoria mejorada y se aplica a cualquier ecuación no lineal. El reemplazo de los polinomios de interpolación de Lagrange por fracciones continuadas mejora los métodos de interpolación inversa, sobre todo en el uso de memoria que requieren. El mencionado algoritmo, para el caso de una ecuación del tipo f(x) = 0, se puede describir de la siguiente manera: 1.- Elija dos valores iniciales, x0 y x1. Calcule yo = f(x0), y1 = f(x1). 2.- Compute x2, con las siguientes ecuaciones: a0 = x0 a1 = (y1 - y0 )/(x1 - x0) x2 = a0 - y0/a1 3.- Haga n = 2 y calcule y2 = f(x2). 4.- Con las ecuaciones recursivas se calcula xn+1, de modo que: b0 = xn bi = (yn - yi-1 )/(bi-1 - ai-1) ; i = 1,2,3, ...., n-1 n = an = (yn - yn-1 )/(bn-1 - an-1) i-1 = ai-1 - yi-1/i ; i=n, n-1, ..., 1 xn+1 = 0 5.- Calcule yn+1 = f(xn+1). 6.- Verifique la convergencia. Si no converge, haga n = n+1, y vuelva a 4. III.4 SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES SIMUL- TÁNEAS III.4.1 Planteo del Problema. Teoremas Básicos Se trata de resolver n ecuaciones lineales simultáneas con n incógnitas: o, en su forma compacta matricial donde A = [aij] es la matriz de coeficientes (cuadrada, nxn) y xt = (x1, ..., xn) es el vector de incógnitas, siendo bt = (b1, ..., bn) el vector de términos independientes. Para el caso que nos interesa, tanto A como b son reales. En adelante se obviará la notación transpuesta de la matriz, suponiendo que en las operaciones entre matrices se
  • Cap. III - Pág. 99 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 A b [A b] ; n . (n  1) (39) disponen éstas de tal forma que sean compatibles para las mismas. Si definimos la denominada matriz aumentada como: dado que b es un vector columna; y recordando la definición de rango de una matriz: v(A), el teorema básico de existencia de solución establece: 1.- El sistema de ecuaciones (Ecuación(38)) tiene solución sí y sólo sí: v(A)= v(Ab). 2.- Si v(A) = v(Ab) = k < n, luego las xi1, xi2,..., xik son variables cuyas columnas son linealmente independientes en A, de modo que las restantes (n-k) variables pueden asignarse arbitrariamente. O dicho de otra forma, hay una familia paramétrica de (n-k) soluciones. 3.- Si v(A) = v(Ab) = n, hay una única solución. Corolario: Para el caso homogéneo (b = 0), o sea A . x = 0 habrá solución no trivial, si y sólo si v(A)< n. Para estos problemas, cosa que no ocurre en el caso no lineal, existe solución analítica (recordemos la denominada Regla de Cramer), pero la dificultad reside principalmente en computar esa solución. La evaluación de determinantes no hace práctico dicho procedimiento analítico; luego, el problema es desarrollar algoritmos computacionales más eficientes, es decir que sean más rápidos, sobre todo en el número de operaciones necesarias y que además sean robustos de modo que la solución calculada sea lo más precisa posible. Un punto vital es discutir cómo se espera que sea la matriz de coeficientes. En general, puede encontrarse entre alguna de estas dos categorías: i.- Llena pero no muy grande. Es decir con muy pocos ceros, y en donde n no sea mayor que 100, por ejemplo. ii.- Dispersa y relativamente muy grande, denominadas también ralas. En estos casos, son muy pocos (en relación al orden) los elementos distintos de cero y n puede ser mayor a 1000. Estas matrices son típicas al resolver problemas con ecuaciones diferenciales parciales y también aparecen al plantear modelos de simulación de plantas completas, o bien de procesos con múltiple etapas en serie, como veremos en los próximos capítulos. Naturalmente, los métodos desarrollados deben estar dirigidos a resolver alguna de estas dos categorías, y si es posible haciendo uso de sus características para incrementar su eficiencia.
  • Cap. III - Pág. 100 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 r b A . xc (40) A . x b , o b A . x 0 (41) r A . (x xc ) (x xc ) A 1 . r (42) a11 x1  a12 x2  ....  a1n xn b1
  • a1, n1 a21 x1  a22 x2  ....  a2n xn b2
  • a2, n1 .................... .................... an1 x1  an2 x2  ....  ann xn bn
  • an, n1 (43) Un problema, cual es la condición del sistema, se puede analizar consideran- do un vector residual r, cuando se tiene una solución calculada xc. Es decir: se sabe que: entonces será: luego, de donde se ve que aunque r tenga elementos muy chicos, si A-1 (matriz inversa) contiene muy grandes coeficientes, la diferencia entre x* y xc puede ser aún muy grande. Esto permite anticipar la importancia de un escalado en los coeficientes de la matriz A original, ya que aunque el vector residual r impuesto sea pequeño, el error encontrado para la solución puede ser muy grande. III.4.2 Métodos Directos Un método directo para hallar la solución es uno en el cual, si todos los cálculos (computaciones) fueran llevados a cabo sin error de redondeo conduciría a la solución exacta del sistema dado. Prácticamente todos están basados en la técnica de eliminación. El error de truncamiento para estos métodos es intrascendente. Eliminación Gaussiana Desarrollando la Ecuación (42), se obtiene el sistema en la siguiente forma: Se supone que la matriz es no singular, y que a11 C 0 de manera de poder dividir la primer columna por ai1 y así restar para las ecuaciones, donde i=2, ...., n. Esto da como resultado:
  • Cap. III - Pág. 101 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 a11 x1  a12 x2  ...........  a1n xn a1, n1 a (1) 22 x2  .........  a (1) 2n xn a (1) 2, n1 ......... ......... a (1) n2 x2  ...  a (1) nn xn a (1) n, n1 (44) a (1) ij aij a1j a11 ai1 ; i 2, ... , n ; j 2, ... , n1 (45) a11 x1  a12 x2  ...............  a1n xn a1, n1 a (1) 22 x2  ...............  a (1) 2n xn a (1) 2, n1 a (2) 33 x3  ..............  a (2) 3n xn a (2) 3, n1 ................ a (2) n3 x3  ..............  a (2) nn xn a (2) n, n1 (46) a (2) ij a (1) ij mi2 a (1) 2j ; i 3, ... , n j 3, ... , n1 (47) a11 x1  a12 x2  ....  a1n xn a1, n1 a (1) 22 x2  ....  a (1) 2n xn a (1) 2, n1 ............ a (n 1) nn xn a (n 1) n, n1 (48) siendo los a(1) ij, tal que: si fuese a11 = 0 se intercambian columnas, yse opera en consecuencia. Por comodidad se define: mi1 = ai1 /a11 con i=2, ... , n. De igual forma se continúa con el procedimiento haciendo ahora (si a(1) 22C 0) mi2 = a(1) i2/ a(1) 22 con i=3, ..., n resultando, al restar, el siguiente sistema: donde: Y, continuando con el procedimiento hasta (n-1) pasos llegamos al sistema final: con los elementos en la diagonal (distintos de cero), tal que:
  • Cap. III - Pág. 102 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 a k ij a k 1 ij mik a k 1 kj ; k 1,....., n 1 j k  1,..., n1 i k  1,..., n a 0 ij aij (49) xi 1 a i 1 ii [a (i 1) i,n1 M n j i1 a (i 1) ij xj] , i n,...,1 (50) a11 x1  a (2) 13 x3  ...................  a (2) 1n xn a (2) 1, n1 a (1) 22 x2  a (1) 23 x3  ..................  a (1) 2n xn a (1) 2, n1 a (2) 33 x3  ..................  a (2) 3,n xn a (2) 3,n1 .............. a (2) n3 x3  ................  a (2) nn xn a (2) n, n1 (51) a (2) 2, n1 a (1) 2, n1 con mik = aik (k-1) / akk (k-1) Luego, la solución es fácilmente calculada por sustitución hacia atrás, al terminar el procedimiento de eliminación. Esto es: Unavariantemuyimportanteeselprocedimientodereducciónoeliminación de Gauss-Jordan. En este caso se procede a eliminar con los elementos diagonales en toda la columna, dejando sólo ese elemento; y se deriva en un sistema que comparan- do con Ecuación (44), en una primera pasada tiene la forma: Notar que: Siguiendo con el procedimiento se hacen cero todos los elementos, excepto los correspondientes a la diagonal, resultando:
  • Cap. III - Pág. 103 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 a11 x1 a (n 1) 1, n1 a (1) 22 x2 a (n 1) 2, n1 ................. a (n 1) nn xn a (n 1) n, n1 (52) xi a (n 1) i, n1 a (i 1) ii ; i 1, ... , n (53) A . x b  /b (54) x x  /x A . (x  /x) b  /b de modo que la solución es simplemente: A pesar de lo que resulta del procedimiento, la eliminación Gaussiana es la más eficiente de las dos, considerando sólo las multiplicaciones y divisiones (recordar acumulación de error, además), llegando, para grandes sistemas (n >> 1), el método Gauss-Jordan a requerir cerca de un 50% más de operaciones que el de Gauss. Se ha trabajado mucho para lograr formas compactas del método de Gauss, nosólo para ahorrar espacio de almacenamiento (memoria) sino también para mejorar la precisión en los cálculos que más inciden en el resultado. Para ello se han definido matrices especiales en cuanto a la característica de su formulación, las cuales permiten ahorrar tiempo de cálculo una vez aplicadas. No trataremos este punto aquí, remitiendo al lector a la bibliografía recomendada al final del capítulo. Análisis de errores Debido a que generalmente no es posible obtener la solución exacta, se considerarán los posibles errores y sus cotas. Las fuentes de error son variaciones en los elementos de A y de b, ya sea originales o debidas al redondeo. Estudiando primero el caso más simple, que considera cambios sólo en b, será: si resulta a su vez: se ve que: con lo que:
  • Cap. III - Pág. 104 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 A . /x /b /x A 1 . /b (55) /x  A 1  /b (56) b  A . x  x   b A /x x   A A 1  /b b (57) /x x   K(A) /b b (58) (A  /A) . (x  /x) b (59) y/o, tomando normas: de igual modo: tal que: resultando el error relativo: La cantidad ÉAÉ ÉA-1 É se denomina el número de condición de A, K(A)1 siempre. De modo que: Así, si K(A) es cercano a 1, se dice que A es bien condicionada; y si es muy grande nos encontramos frente a un caso mal condicionado. Si la fuente de error fueran los elementos de la matriz de coeficientes, esto es: por un procedimiento similar al anterior se llega a que:
  • Cap. III - Pág. 105 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 /x x  /x  K(A) /A A (60) r b A . xc e x xc (61) b A . x r A . x A . xc A . (x xc ) A . e (62) 1 K(A) r b  e x   K(A) r b (63) con igual connotación que en Ecuación (57). Los efectos del valor /A pueden subsanarse, en parte, trabajando con mayor precisión (mayor retención de cifras significativas durante el cálculo). Refinamiento iterativo Hemos visto que: En las situaciones que nos interesa una solución muy cercana a la verdadera x* = A-1 . b, con un vector tal que r sea pequeño o, en caso en que xc sea tal que: y sea muy pequeño en términos relativos a x* . Si: Resulta: Tomando normas, y procediendo como ya se ha visto, se puede probar que: Por lo que, si el número de condición K(A) es cercano a la unidad, pequeños errores relativos de r y e siguen la misma tendencia (en coincidencia). Este hecho no ocurre para sistemas mal condicionados, como se había anticipado. La respuesta al problema dependerá de la condición de A y de la precisión de la aritmética (redondeo). Esto lleva a que el cómputo del residuo r debe hacerse con doble precisión, por la razón de que r suele ser del mismo orden de magnitud que el error de redondeo. Formalizar un procedimiento que contemple el problema es lo que se denomina refinamiento iterativo. En realidad se arma un esquema iterativo con una solución computada previamente, tal que el residuo para una etapa m de cálculo sea:
  • Cap. III - Pág. 106 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 r(m) b A . x(m) ; m 1, 2, ..., (64) x(m1) x(m)  e(m) (65) xi1 Fi [xi , xi 1 ,..., xi k ] (66) xi1 B i . xi  ci (67) y de acuerdo a la Ecuación (61) con e (m) calculada según la ecuación anterior. Si x(m+1) no es satisfactorio se procede a la etapa (m+1) de cálculo. En cambio, si e(m+1)  / e(m)  es menor que una tolerancia establecida aceptamos la solución x(m) . Así, se conforma un criterio de terminación que funciona muy bien en la práctica. Cada etapa de este proceso, además, es mucho más rápida que la solución del problema original. Se debe recordar que la computación de Ecuación (64) se realiza en doble precisión, lo que implica aumento en el requerimiento de memoria. III.4.3 Métodos Iterativos Su basamento es idéntico al método de aproximaciones sucesivas visto en el caso de funciones no lineales, con lo que empezando con un vector inicial se genera una sucesión de vectores, tal que: Si la Fi (función iteradora) no es dependiente sobre i (nivel de iteración) se llama, a la recurrencia, estacionaria. Para la mayoría de las matrices estos métodos requieren más computación, para un deseado grado de convergencia, que los métodos directos; pero para la matrices ralas (de gran interés en aplicaciones) el esfuerzo computacional es comparable. Además, como hemos mencionado, para estas matrices es posible lograr una mejor utilización de la memoria. Luego para matrices ralas grandes, los métodos iterativos son los mas aconsejados por su eficiencia computacional. Sólo nos interesarán procesos iterativos lineales por consideraciones de eficacia, una vez más. Un procedimiento de iteración matricial lineal en un punto tiene la forma general. dónde Bi y ci son independientes de i (iteración estacionaria). Recordar que en los métodos iterativos basados en substitución directa (o Wegstein) debe explicitarse la variable independiente. A modo de introducción se puede ver dicha forma haciendo:
  • Cap. III - Pág. 107 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 A . x b A . x  x b  x (A  I) . x x  b x (A  I) . x b xi1 (I  A) . xi b (68) A D  L  U (69) A . x b (D  L  U) . x b D . x (L  U) . x  b xi1 D 1 . (L  U) . xi  D 1 . b (70) o, en la ley de recurrencia: que nos da una forma genérica simple de los métodos iterativos estacionarios que son los universalmente usados. Método de Jacobi Se escribe la matriz A como: siendo D la matriz diagonal (formada precisamente con esos elementos). L y U son triangulares inferior ysuperior, respectivamente,con el resto de los elementos; yceros en su diagonal principal. Luego, si: obtenemos: por supuesto que supone que la diagonal principal no tiene todos ceros (en A). De no ser así, si A es no singular, se debe permutar filas y columnas para obtener una forma que permita definir D. Es deseable que sea de la forma diagonal dominante, esto que los elementos de la diagonal sean lo más grandes posibles respecto a los demás. Para este método de Jacobi la matriz B puede entonces escribirse como:
  • Cap. III - Pág. 108 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 B D 1 . (L  U) (71) xi1 B . xi  D 1 . b (72) xi1 D 1 . (L . xi1 )  D 1 . U . xi  D 1 . b (73) (I  D 1 . L) . xi1 D 1 . U . xi  D 1 . b (D  L) . xi1 U . xi  b xi1 (D  L) 1 . U . xi  (D  L) 1 . b (74) xi1  B . xi  (D  L) 1 . b (75) B (D  L) 1 . U (76) haciendo: Método de Gauss-Seidel Este es el método ampliamente usado que siempre converge si converge Jacobi, (y aún en casos en que éste no converge); y en general lo hace más rápido, siendo su implementación más eficiente. La diferencia fundamental es que a medida que es calculada cada componen- te de xi+1 es usada inmediatamente en la misma iteración. Al proceder de ese modo, la ecuación obtenida para Jacobi, resulta: reordenando y sacando factor común x i+1 se tiene: por lo que premultiplicando por D, obtenemos: luego: entonces será, tomando B para la expresión generalizada: Existe un teorema que prueba que: Si una matriz es definida positiva, el procedimien- to de Gauss-Seidel converge independientemente del vector inicial propuesto. Otro hecho importante es que los métodos matriciales iterativos convergen linealmente. Es natural pensar que el error de redondeo es mayor en un método
  • Cap. III - Pág. 109 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x2 ln (3x)  1/9 0 A 2 c A2   1 2   1 /  1  1 2 P Pr 2 /  P Pr   1 /  iterativo que en uno directo; sin embargo como siempre se usa la matriz de coeficientes original, el error por redondeo en que se incurre en un método iterativo es sólo aquel producido en la última iteración. En consecuencia, ambos tipos de métodos tienen un error equivalente, tan serio para unos como para otros. El error de truncamiento, en el caso de los métodos iterativos, suele ser de un orden mayor de magnitud que el mencionado de redondeo. No obstante, dado que en los métodos iterativos se tiene un criterio de control de error, este es acotado convenientemente. PROBLEMAS PROPUESTOS P1) Sea la siguiente ecuación definida para x > 0: Encontrar las raíces de la misma por los siguientes métodos: a) Wegstein b) Newton-Raphson P2) Para el flujo isoentrópico de un gas perfecto que fluye desde un reservorio a través de una boquilla convergente - divergente operando con velocidad sónica en la constricción, se puede demostrar que: donde P es la presión sobre el área transversal A de la boquilla, Pr es la presión en el reservorio, Ac es la sección transversal en la constricción y  es la relación entre el calor específico a presión constante y el calor específico a volumen constante. Si Ac, , Pr y A ( > Ac) se conocen, idear un esquema para calcular las dos posibles presiones P que satisfacen la ecuación de arriba. Implemente su método en la computadora. Datos sugeridos para prueba: Ac = 0.1 pie2 ,  = 1.41, Pr = 100 psia y A = 0.12 pie2 . P3) Una bolsa esférica de gas a alta presión, inicialmente de radio r0 y presión p0, se expande radialmente en una explosión submarina adiabática. Para el caso especial de un gas con  = 4/3 (relación de calor específico a presión constante a calor específico a volumen constante), el radio r en cualquier instante de tiempo t posterior a la explosión se expresa como:
  • Cap. III - Pág. 110 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 t r0 p0  1  2 3  .  1 5 .2 2 . 1/2 donde . = (r/r0) - 1 y  es la densidad del agua. Durante la expansión adiabática, la presión del gas se expresa como (p/p0) = (r0/r) . Desarrollar un procedimiento para calcular la presión y el radio de la bolsa para cualquier instante de tiempo. Datos sugeridos para prueba: p0 = 104 lbf / pulgada2 ,  = 64 lbm / pie3 , r0 = 1 pie, t = 0.5, 1, 2, 3, 5 y 10 milisegun- dos. P4) Fmoles/hr. de una corriente de gas natural licuado de n-componentes se introduce como corriente de alimentación a un tanque de vaporización flash como se indica en la figura siguiente: Las corrientes resultantes de vapor y de líquido se extraen a las velocidades de V y L moles/hr., respectivamente. Las fracciones molares de los componentes en la alimentación, en el vapor y en el líquido, se designan, zi, yi, e xi, respectivamente (i = 1, 2, ..., n). Suponiendo equilibrio líquido/vapor yoperación en estado estacionario (en el capítulo IX desarrollaremos con mayor extensión el análisis de este equipo),
  • Cap. III - Pág. 111 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 M n i 1 xi M n i 1 yi 1 M n i 1 zi Ki 1 , Ki 1  1 0 tenemos: Balance de materia: F = L + V Balance individual: zi F = xi L + yi V Relación de equilibrio: Ki = yi/xi Aquí, Ki, es la constante de equilibrio para la i-ésima componente a la temperatura y presión prevalecientes en el tanque. A partir de estas ecuaciones y del hecho que: probar que: donde , = V/F representa la fracción vaporizada. Escriba un programa que lea los valores de F, zi, y los Ki como datos y entonces utilice el método de Newton para resolver esta última ecuación en ,. El programa debería también calcular la fracción de líquido L/F, los xi e yi utilizando las tres primeras ecuaciones dadas más arriba. Los datos de prueba, que se muestran en la tabla siguiente, están relacionados con el flasheo de una corriente de gas natural a 1600 psia y 120 ºF. Componente i zi Ki Dióxido de carbono 1 0.0046 1.650 Metano 2 0.8345 3.090 Etano 3 0.0381 0.720 Propano 4 0.0163 0.390 Isobutano 5 0.0050 0.210 n-Butano 6 0.0074 0.175 Pentanos 7 0.0287 0.093 Hexanos 8 0.0220 0.065 Heptanos 9 0.0434 0.036 Total 1.0000 Suponer que F = 1000 moles/hr. Además deberían ser leídos como datos la tolerancia
  • Cap. III - Pág. 112 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 1 cf 0.4  1.74 ln Re cf ûp fM  u 2 M L 2 D Re D  uM µ fM 64 Re 1 fM 2 log10 0 3.7 D  2.51 Re fM fM 0.316 Re 0.25  y un número máximo de iteraciones. ¿Cuál sería un buen valor de arranque para ,i?. P5) Para el flujo turbulento de un fluido a través de un tubo liso, es posible establecer la siguiente relación entre el factor de fricción cf y el número de Reynolds Re: Calcular cf para Re = 104 , 105 y 106 . P6) Para el flujo estacionario de un fluido incompresible a través de un tubo rugoso de longitud L y diámetro interior D, la caída de presión viene expresada por la siguiente relación: donde  es la densidad del fluido, um es la velocidad media del fluido y fM es el factor de fricción de Moody (adimensional). El factor de fricción de Moody es una función de la rugosidad y del número de Reynolds, donde µ es la viscosidad del fluido. Para Re  2000, mientras que para Re > 2000, fM viene expresada por la Ecuación de Colebrook, Un buen punto de arranque para la solución iterativa de esta ecuación puede encontrarse a partir de la Ecuación de Blasius, apropiada para flujo turbulento en tubos lisos. Escribir una función (function), PDELTA, que podría ser llamada a través de
  • Cap. III - Pág. 113 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 9x1  3x2  5x3 3 2x2 x3 0 4x1 3x2  7x3 1 9x1  2x2 3 2x1  3x2  x3 4 5x2  4x3  8x4 8 3x3 x4 0 la sentencia: DELTAP = PDELTA (Q, D, L, RHO, MU, E) donde el valor de PDELTA representa la caída de presión para el flujo volumétrico (caudal) Q de un fluido con densidad RHO y viscosidad MU a través de un tubo de longitud L, diámetro interior D y rugosidad E. Observe que MU y L deben definirse como variables reales. Escriba un programa que lea los valores de Q, D, L, RHO, MU y E, llame a PDELTA para calcular la caída de presión, imprima los datos y resultados y vuelva a leer otro conjunto de datos. Datos sugeridos para prueba: Q gal/min 170 4 D pulgada 3.068 0.622 L pie 10000 100 RHO lbm/pie3 62.4 80.2 MU lbm/pie seg. 0.0007 0.05 E pulgada 0.002 0.0005 P7) Sea el siguiente sistema de ecuaciones lineales: Encontrar la solución por los siguientes métodos: a) Gauss b) Jacobi c) Gauss-Seidel d) Sustitución directa e) Wegstein P8) Sea el siguiente sistema: Encontrar la solución mediante el método de Gauss. ¿Puede aprovechar la estructura particular del sistema para facilitar el cálculo?.
  • Cap. III - Pág. 114 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 2 x  3 y z 0 4 x 3 y 9 z 2 3 x 3 y z 1/3 1 3 5 2 4 3 1 1 2 ûx1 ûx2 ûx3 2 0 3 P9) Sea el siguiente sistema: Aplicar el método de Gauss-Seidel para encontrar la solución. P10) Sea el siguiente sistema expresado en forma matricial: Encontrar los valores para ûx1, ûx2 y ûx3 por los siguientes métodos: a) Gauss b) Gauss-Seidel c) Jacobi P11) Confeccionar un diagrama de flujos para un programa que ingrese como datos la matriz de coeficientes y el término independiente de un sistema de ecuaciones lineales de dimensión N, y calcule la solución. Suponer que dispone de subrutinas de inversión de matrices. P12) Utilizando software comercial (rutinas IMSL, Numerical Recipes, etc.) confeccionar el programa correspondiente al diagrama de flujos anterior. BIBLIOGRAFÍA RECOMENDADA  Carnahan, B., H. A. Luther y J. O. Wilkes, Applied Numerical Methods, John Wiley and Sons, Inc., New York (1969).  Cohen, A. M., J. F. Cutts, R. Fielder, D. E. Jones, J. Ribbans y E. Stuart, Análisis Numérico, Editorial Reverté S. A., Barcelona (1977).  Hamming, R. W., Numerical Methods for Scientists and Engineers, McGraw-Hill, New York (1962).  Hildebrand, F. B., Introduction to Numerical Analysis, McGraw-Hill, New York (1956).  Hornbeck,R. W., Numerical Methods, Quantum Publishers, Inc., NewYork.  Lapidus, L., Digital Computation for Chemical Engineers, McGraw-Hill, New York (1962).
  • Cap. III - Pág. 115 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999  Luthe, R., A. Olivera y F. Schutz, Métodos Numéricos, Editorial Limusa, México (1978).  Milne, W. E., Numerical Solution of Differential Equations, John Wiley and Sons, New York (1953).  O’Neill, P. V., Advanced Engineering Mathematics, 3ra. Ed., Wadsworth, Inc., USA (1991).  Perry, J. H., Chemical Engineers Handbook, McGraw-Hill, New York.  Ralston, A. y P. Rabinowitz, First Course in Numerical Analysis, McGraw- Hill Inc., USA (1978).
  • Cap. IV - Pág. 117 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 CAPÍTULO IV SISTEMAS DE ECUACIONES DE GRAN DIMENSIÓN Y POCO DENSOS Por Nicolás José Scenna IV.1 INTRODUCCIÓN En general, el modelo de una planta completa contiene miles de ecuaciones e incógnitas. Más aún, un problema de diseño involucra un número significativamente mayor de incógnitas que de ecuaciones, siendo su diferencia los grados de libertad que deben especificarse para definir un sistema compatible (igual número de incógnitas que de ecuaciones). Existen numerosas alternativas para realizar esta asignación. Como se verá más adelante, necesitamos algoritmos prácticos que nos permitan realizar la tarea, más aún si lo debemos hacer computacionalmente (algorítmicamente). Por otra parte, dado que deben manejarse miles de ecuaciones, es la única forma de realizarlo. Es por ello que necesitamos herramientas numéricas para resolver sistemas de ecuaciones no lineales de gran dimensión, que sean lo suficientemente eficientes como para resolverlas rápidamente y sin problemas de almacenamiento en memoria. Este problema es típico tanto en simulación estacionaria como dinámica. Dentro de este contexto, en las primeras secciones analizaremos métodos numéricos apropiados para sistemas de ecuaciones no lineales, que por otra parte son una continuación de los vistos en el capítulo anterior. En la segunda parte de este capítulo, se estudiarán métodos apropiados para resolver grandes sistemas de ecuaciones tomando ventaja de su estructura particular. Además, dado que un simulador se basa en programar un modelo para la planta a simular y dado que éste está constituido por un sistema de ecuaciones, es lógico establecer una correspondencia entre el tratamiento de un sistema de ecuaciones y su relación con los simuladores específicos. En la segunda parte de este capítulo se harán evidentes estas íntimas relaciones. En efecto, si realizamos un cambio gradual en el lenguaje, podremos abordar al sistema, no solamente como un conjunto de símbolos matemáticos, sino como la representación de la planta a simular. IV.2 RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES NO LINEALES En el capítulo anterior se han visto técnicas que permiten la solución numérica de sistemas de ecuaciones lineales y además se analizaron métodos para resolver ecuaciones no lineales, que pueden generalizarse para aplicarlos a sistemas
  • Cap. IV - Pág. 118 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 fi(x) fi(x )  fi xj (x x )  2 fi x 2 j (x x )2  ...  i 1, ..., N ; j 1, ..., N dimensión del sistema (1) J fi xj con i 1, ... , N ; j 1, ... , N (2) de ecuaciones no lineales. Dado que muchos de los métodos más importantes (cuadráticos) recurren a la linealización (proponiendo una secuencia de problemas lineales ), nos serán muy útiles las metodologías ya vistas para sistemas de ecuaciones lineales. La gran mayoría de los modelos correspondientes a procesos químicos involucran sistemas de ecuaciones no lineales; por lo tanto resulta imprescindible desarrollar métodos eficientes, tanto desde el punto de vista de la convergencia, como del tiempo de cómputo involucrado. Existen en la bibliografía un gran número de algoritmos destinados a la solución numérica de sistemas de ecuaciones no lineales. Aquí analizaremos unos pocos, los más utilizados en la práctica. Nuevamente, al igual que lo hicimos en el capítulo anterior, se darán las pautas mínimas para lograr comprender los basamentos conceptuales y poder aplicar los principales algoritmos para resolver problemas específicos. No se revisarán los teoremas que sustentan los principios utilizados, así como la demostración del orden de convergencia y las condiciones para las cuales éstos convergen. El lector interesado en estos temas, al igual que en complementar los conocimientos aquí incorporados, deberá recurrir a la bibliografía recomendada al final del capítulo. IV.2.1 Métodos de Newton-Raphson. Linealización Sea un sistema de ecuaciones no lineales . Si se procede a laf (x) 0 expansión en serie de Taylor de la función alrededor del puntof (x) x / f (x ) 0 tenemos: donde los términos entre paréntesis representan matrices. A la matriz que contiene a las primeras derivadas se la conoce como matriz Jacobiana, y es una matriz cuadrada de orden N que contiene la derivada de todas y cada una de las funciones fi, respecto de todas y cada una de las variables xj. Si x´ es la aproximación de la raíz , una aproximación lineal def (x ) 0 dicha función, , puede escribirse:L (x)
  • Cap. IV - Pág. 119 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 L (x´) N f (x )  J . (x´ x ) 0 x´ x J 1 . f (x ) (3) xk1 xk J 1 . f (xk ) (4) J . ûxk f (xk ) (5) O bien: Luego, cualquier x´ en la iteración k se obtiene aplicando la ecuación anterior; con lo cual nos queda para las sucesivas aproximaciones a la raíz x* , El Jacobiano debe evaluarse en y el exponente negativo indicax xk inversión de la matriz. La interpretación de esta ecuación ya la vimos en el Capítulo III, que para una variable implica la recta tangente a la función , tomada comof (x) en x k aproximación linealdela verdadera función. Aquí el concepto es el mismo, pero ahora es un hiperplano el que aproxima la función en el punto . Este método es conocidoxk como método de Newton-Raphson. Luego, en cada iteración, según la Ecuación (4), debe calcularse el Jacobiano y la matriz inversa , para luego proceder a laJ J 1 multiplicación indicada , que siendo entre una matriz de (N x N) y un vectorJ 1 . f (x) de (N x 1) resulta un vector (N x 1) que debe sustraerse del vector para darnos .xk xk1 Otra forma de proceder es escribir el Sistema (4) de la siguiente forma: Aquí, dado que y f son conocidos, tenemos un sistema de ecuaciones con comoJ J matriz de coeficientes, f como términos independientes y comovector incógnita.ûxk Si bien desde el punto de vista analítico ambas expresiones son equivalentes, desde el punto de vista numérico o procedural no lo son. En efecto, es conveniente utilizar una u otra según sea el sistema a resolver y como veremos más adelante, uno de los factores más importantes es la estructura del sistema de ecuaciones, o lo que es lo mismo, de la matriz de coeficientes .J El Sistema (4) impone la inversión numérica de una matriz, para lo cual existen varios algoritmos, los cuales serán más o menos convenientes según las características de . En cambio, para resolver el Sistema (5) pueden utilizarse losJ procedimientos de manipulación de matrices (Gauss, etc.) vistos en el capítulo anterior. En general, en la mayoría de los problemas utilizaremos una variante del método de eliminación Gaussiana. Debe remarcarse que este procedimiento de resolución del sistema de ecuaciones lineales debe realizarse para cada iteración k, hasta lograr convergencia y
  • Cap. IV - Pág. 120 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Min . f (xk  . ûxk ) (6) en sistemas donde, por ejemplo, N es mayor que 1000, exige un importante consumo de tiempo y memoria (almacenamiento). Luego, todos los aspectos discutidos en el capítulo anterior respecto de estos puntos adquieren superlativa importancia. Más adelante veremos dos ejemplos en los cuales se mostrará cómo puede facilitarse enormemente el cómputo de los vectores en función de la estructura particularûxk de .J Una característica que debemos recordar sobre el método de Newton- Raphson (N-R) es que si no inicializamos en un punto próximo a la solución, puede no converger; además, en general, se hace más lento a medida que avanza a la solución, pese a que el esfuerzo de evaluar los Jacobianos, iteración a iteración, es el mismo. Por último, a medida que el determinante de tiende a cero, los valores deJ los incrementos pueden ser muygrandes, es decir, fuera de escala. Para resolverûxk o mitigar estos problemas se han propuesto muchas variantes, algunas con sustento teórico yotras con basamento empírico, con conocimiento provisto por la experiencia. Acercadealgunosprocedimientosqueevitenproblemascomolosmencionadosarriba podemos citar un adecuado escalado de todos los coeficientes de la matriz (estoJ evita errores de redondeo o truncamiento), mediante la división por constantes de las filas de la matriz y el uso del Jacobiano un cierto número de veces (mantener la pendiente un cierto número de iteraciones), lo cual hace que el método ya no sea estrictamente de orden dos pero evita el tiempo de cómputo del Jacobiano. Esta estrategia da mejores resultados cuando estamos próximos a la convergencia. Por otra parte, también resulta útil acotar por un cierto parámetro . G [0,1] los incrementos calculados , de tal forma de evitar el disparo de los incrementosûxk enlasvariablesindependientes.Otratécnicaconsisteenacotarcadacomponentede ûxk pero esto sólo es posible cuando la aplicación física permite inferir ciertas propiedades. Por ejemplo, en una columna de destilación todos los incrementos de temperatura puedenacotarsea10°Cencadaiteración.Además,silascorreccionesûTi hacen que el valor corregido (en grados Kelvin) sea negativo, se aplicará un factor de reducción mayor al incremento de tal forma de lograr una temperatura positiva. Un criterio más profundo, y además complementario, es plantear un problema de optimización, de tal forma de encontrar un factor de escala ., que si bien mantiene la dirección del incremento , modifica la norma del vector según el siguienteûxk ûxk criterio. Esto es, lograr el factor de escalado . que permita el máximo descenso posible (tiende a cero) de la función f(.). Esto si bien favorece la velocidad de convergencia, impone resolver un problema de optimización. Aunque sea de una sola
  • Cap. IV - Pág. 121 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 xk1 xk tk (B 1 )k . f (xk ) (7) 3 ln (x) x  1 x 0 variable, ., éste debe resolverse en cada iteración. Otro método propuesto para acelerar la convergencia, modificando al de N-R, es el de Broyden, que es muy utilizado en simulación de procesos, como se verá en el Capítulo (X). El método de Broyden (1965) forma parte de una familia de métodos conocidos como cuasi- Newtonianos, en los cuales se reemplaza la matriz Jacobiana por una aproximación que es adaptada en cada iteración (de esta manera se ahorra tiempo de cómputo). donde tk es un factor de escalado y es la aproximación de . El factor tk se calculaB J de tal manera que resulte mínimo (similar a la variable . en laf (xk  t k ûxk ) Ecuación(6)).Lamatriz secalculaenfuncióndelparámetrotk ylascorreccionesB ûxk existiendo varias estrategias propuestas. Para un análisis más profundo se remite al lector a la bibliografía recomendada. Ejemplo: Sea la ecuación: definida para x > 0. Hallar una raíz por el método de N-R. Proponemos y tomamos como criterio de error o toleranciax0 0.1 . f (x) < 10 3 Según hemos visto, proceder de acuerdo al procedimiento iterativo N-R implica suponer un valor inicial o semilla considerado como una aproximación a la solución (raíz) buscada. El criterio de error lo necesitamos ya que la serie de valores consecutivos que genera el método debe, si es convergente hacia la solución, detenerse en algún momento, esto es, numéricamente debemos decidir cuán cerca de la solución (tolerancia o error aceptable) queremos llegar. Con el valor inicial supuesto y el criterio de error ya podemos comenzar con la generación de los sucesivos valores (aproximaciones) a la raíz buscada. Para ello es conveniente derivar la función, a los efectos de calcular fácilmente la derivada en cada iteración.
  • Cap. IV - Pág. 122 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f (0.1) 3 ln (0.1)  10 0.1 2.99224 f (x0) C 0, luego: x1 x0 f (x0) f
  • (x0) f
  • (x) 3 x 1 1 x 2 f
  • (x0) 30 1 100 71 x1 0.1 2.99224 ( 71) 0.142144 f (x1) 1.04023 C 0, luego : x2 x1 f (x1) f
  • (x1) 0.142144 1.04023 29.3875 0.177541 f (x2) 0.26930 C 0, luego: x3 x2 f (x2 ) f
  • (x2 ) 0.177541 0.26930 ( 15.8383) 0.194544 f (x3 ) 0.03439 C 0, luego: x4 x3 f (x3 ) f
  • (x3 ) 0.194544 0.03439 ( 12.0012) 0.19741 f (x4 ) 7.720 10 4 < 10 3 Luego, x = 0.19741 es una de las raíces dentro del criterio de tolerancia establecido.Puede observarse que el valor x = 1 también es solución. El lector puede verificar intentando el proceso con una nueva inicialización. Ejemplo: Sea el siguiente sistema:
  • Cap. IV - Pág. 123 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x 2 1 x 2 2 0 2 x1 2 0 J
  • f´11 f´12 f´21 f´22
  • 2x1 2x2 2 0 f1 (x0 ) 3 f2 (x0 ) 0 2 4 2 0 ûx 1 1 ûx 1 2 3 0 2 ûx 1 1 4 ûx 1 2 3 2 ûx 1 1 0 < ûx 1 1 0 , ûx 1 2 0.75 , luego: x 1 1 1  0 1 x 1 2 2 0.75 1.25 f1 (x1 ) 1 (1.25)2 0.5625 f2 (x1 ) 2 2 0 Hallar una raíz aplicando el método de N-R. Para ello suponemos x0 = (1,2), Luego, debemos calcular . Resolvemos el siguiente sistema:ûx1 Luego, para el cálculo de resolvemos:ûx2
  • Cap. IV - Pág. 124 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 2 2.50 2 0 ûx1 2 ûx2 2 0.5625 0 2 ûx 2 1 2.50 ûx 2 2 0.5625 2 ûx 2 1 0 < ûx 2 1 0 , ûx 2 2 0.5625/( 2.50) 0.225 x 2 1 x 1 1  ûx 2 1 1 x 2 2 x 1 2  ûx 2 2 1.25 0.225 1.025 f1(x2 ) 1 (1.025)2 0.050625 f2(x2 ) 2 2 0 2 2.05 2 0 ûx1 3 ûx2 3 0.050625 0 2 ûx 3 1 2.05 ûx 3 2 0.050625 2 ûx 3 1 0 < ûx 3 1 0 , ûx 3 2 0.02469 , luego: x 3 1 1 x 3 2 1.025 0.02469 1.000307 f1 (x3 ) 1 1.00061 6.14 10 4 f2 (x3 ) 0 , luego resolvemos:f(x2 ) > 10 3 luego, . Entonces, el vector (1, 1.000307) es solución del sistema f (x3 )  < 10 3 dado. Nótese que las solución exacta es (1, 1). IV.2.2 Matrices Tridiagonales. Método de Thomas
  • Cap. IV - Pág. 125 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 a11 x1  a12 x2  0  0  0  ...................  0 d1 a21 x1  a22 x2  a23 x3  0  0  ..................  0 d2 0  a32 x2  a33 x3  a34 x4  0  ..................  0 d3 . . . 0  ........................... an 1,n 2 xn 2  an 1,n 1 xn 1  an 1,n xn dn 1 0  ..................................................  an, n 1 xn 1  an,n xn dn (8) B1 C1 0 0 0 0 A2 B2 C2 0 0 0 0 A3 B3 C3 0 0 0 . . 0 . . 0 . . An 1 Bn 1 Cn 1 0 0 0 0 An Bn ûx1 ûx2 ûx3 . ûxn 1 ûxn d1 d2 d3 . dn 1 dn (9) Como anticipamos, existen sistemas de ecuaciones tales que por su estructura, permiten procedimientos especiales que ahorran tiempo de cómputo y permiten acotar o minimizar los errores. Sea el siguiente sistema de ecuaciones, que como se verá en el Capítulo X es muy importante en el modelado de equipos múltiple etapas en cascadas contracorriente, por ejemplo, columnas de destilación: o en forma matricial compacta: que se denomina matriz tridiagonal, ocupando los coeficientes los lugaresAi, Bi y Ci antes, en la diagonal y posterior respectivamente. Es por ello que podemos obviar la notación de dos índices del Sistema (8 ) y escribirlo más sencillamente según el Sistema (9). El Sistema de Ecuaciones (8) es un típico caso que involucra matrices ralas, esto es, poco densas y de muy elevada dimensión. En el Capítulo X veremos que ciertas aplicaciones normalmente involucran miles de ecuaciones. Luego, debe trabajarse eficientemente. Esto implica dos aspectos. El primero, evitar los errores de redondeo y eventualmente de truncamiento que se generan (si el procedimiento es inadecuado) y el segundo es el tiempo de cómputo. Para ambos aspectos Thomas introduce un método eficiente, que se basa en la técnica de eliminación Gaussiana vista en el capítulo anterior, pero tomando ventaja de la estructura particular del sistema en análisis (tridiagonal). Para la primer fila (n = 1) tenemos:
  • Cap. IV - Pág. 126 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 B1 x1  C1 x2 D1 (10) x1 D1 C1 x2 B1 (11) x1 q1 p1 x2 (12) x2 D2 A2 q1 B2 A2 p1 c2 B2 A2 p1 x3 q2 D2 A2 q1 B2 A2 p1 p2 C2 B2 A2 p1 x2 q2 p2 x3 (13) qn Dn An qn 1 Bn An pn 1 (15) pn Cn Bn An pn 1 (14) de donde: Sisedefine ,entonceslaEcuación(10)seescribe:p1 C1/B1 y q1 D1/B1 Comparando la Ecuación (10) con la Ecuación (12) vemos que los coeficientes que acompañan a las incógnitas son ahora y el valorB1 1 y C1 p1 de es ahora . Tomando en cuenta estos valores, y procediendo de igual maneraD1 q1 para n = 2 tenemos: Si llamamos: Nos queda: Nuevamente los coeficientes ahora resultan .A2 0, B2 1, C2 p2 y D2 q2 En general los valores y pueden obtenerse según la siguiente ley depn qn recurrencia:
  • Cap. IV - Pág. 127 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 xn qn pn xn1 (16) xN DN BN qN (17) xn 1 qn 1 pn 1 xn rn 1 (18) 3 4 0 0 0 0 6 2 1 0 0 0 0 1 2 3 0 0 0 0 1 4 2 0 0 0 0 1 1 3 0 0 0 0 2 2 x1 x2 x3 x4 x5 x6 1 0 3 1 2 1 que conforman los coeficientes genéricos para: Las anteriores fórmulas permiten calcular y desde 1a(N-1) ytambiénpn qn qN. Para la última fila tenemos, despejando de la ecuación anterior (AN = 0): Por lo tanto, luego de este proceso de operaciones elementales aplicadas a todas las filas, obtenemos de la última (N) el valor de xN. Luego, a partir de xN, por el proceso inverso, a partir de la Ecuación (16), obtenemos todos los xn, desde n = N - 1, hasta 1. Un ejemplo numérico para la matriz tridiagonal es el siguiente. El lector puede aplicar las fórmulas recursivas anteriores para lograr la solución del mismo. IV.2.3 Extensión del Método de Thomas a Matrices Tridiagonales en Bloque Sea el siguiente sistema:
  • Cap. IV - Pág. 128 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 B 1 C 1 0 0 0 0 A 2 B 2 C 2 0 0 0 0 A 3 B 3 C 3 0 0 0 . . 0 . . 0 . . A n 1 B n 1 C n 1 0 0 0 0 A n B n X1 X2 X3 . Xn 1 Xn F1 F2 F3 . Fn 1 Fn (19) donde A, B y C son matrices de (m x m) y además x y F son vectores de dimensión m; se puede demostrar que puede operarse en forma similar al algoritmo de Thomas para resolver una matriz tridiagonal pero ahora con las submatrices y vectores en lugar de los escalares indicados en las Ecuaciones (14) a (18). Genéricamente, podemos plantear que el rol de ahoraAn, Bn, Cn, Dn y xn lo cumplen , respectivamente. En efecto, aplicando el mismoA n , B n , C n , Fn y Xn razonamiento anterior, para la primer fila tenemos: B 1 X1  C 1 X2 F1 X1 B 1 1 (F1 C 1 X2 ) X1 B 1 1 F1 (B 1 1 C 1 ) X2 reordenando tenemos: X1  (B 1 1 C 1 ) X2 B 1 1 F1 Luego, las nuevas constantes (matriz y vectores) asumen los siguientes reemplazos: B 1  I C 1  (B 1 1 C 1 ) F1  ( B 1 1 F1 ) donde I es la matriz identidad. Siguiendo el mismo razonamientoanterior yoperando algebraicamente, para las filas 2 a N-1, tenemos para la transformación de las matrices de los coeficientes el siguiente reemplazo:
  • Cap. IV - Pág. 129 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 XN FN (20) FN  (B N A N C N 1 ) 1 (FN A N FN 1 ) (21) Xn (Fn  C n Fn1 ) con n (N 1), (N 2),..., 1 (22) 7 3 4 2 11 0 0 0 0 1 2 3 0 3 1 0 0 0 4 0 9 3 1 2 0 0 0 3 1 1 4 6 3 0 0 0 1 2 4 3 2 0 4 1 3 4 3 0 2 1 8 0 1 0 0 0 0 7 3 2 6 4 5 0 0 0 0 0 0 6 3 1 0 0 0 0 0 4 3 4 1 X1 X2 X3 1 2 0 1 0 2 3 1 2 C n  (B n A n C n 1 ) 1 C n Fn  (B n A n C n 1 ) 1 (Fn A n Fn 1 ) ; A n  0 , B n  I Para la última fila, y . Luego:B n  I A N  0 donde se procede al siguiente reemplazo (según las ecuaciones vistas arriba): Obteniendo el valor del vector XN, al igual que en el caso anterior, por medio del camino inverso, calculamos los XN-1,..., X1 de la siguiente forma: y obtenemos la solución del sistema paso a paso. Porejemplo,elsiguientesistemadeecuacionesrepresentandoporunamatriz de coeficientes de forma tridiagonal en bloques: puede resolverse según el algoritmo planteado. Esto implica encontrar los valores del vector , con .(X1 , X2 , X3 ) X1 (x1, x2, x3) , X2 (x4 , x5, x6), y X3 (x7, x8, x9) IV.2.4 Método de Sustitución Directa o Aproximaciones Sucesivas En el capítulo anterior vimos que para una ecuación no lineal de una incógnita, era posible, explicitando la variable independiente, generar una secuencia
  • Cap. IV - Pág. 130 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f (x) 0 x F (x) 0 x F (x) x n1 F (x n ) (23)  x n1 x n   J (24) x n Q x n 1  (I Q) x n (25a) x n1 F (x n ) (25b) de valores tales que se llegara, si el método converge, a la solución (raíz) buscada. Tambiénvimosqueparaacelerarlaconvergenciaesposibleintroducirciertas modificaciones en el procedimiento. Uno de los métodos estudiados fue el propuesto porWegstein.Aquí veremosqueestosmétodossondirectamenteaplicablesasistemas de ecuaciones no lineales. Sea el sistema: Se explicita tal que:x esto es: Luego, el algoritmo de sustitución directa propone la siguiente secuencia: que converge si se cumple: donde J es una tolerancia especificada. Se puede probar que si el determinante del Jacobiano de la función esF (x) menor que la unidad en la región de trabajo en el entorno del punto solución , el método converge.x /F (x ) 0 Aquí también se logra acelerar la velocidad de convergencia según el método de Wegstein. Para ello se procede de la misma forma indicada en la Sección (III.3). En efecto, la Ecuación (III.23) se escribe ahora: donde los elementos de , se calculan en cada iteración i para cada componenteQ q i j j = 1, ..., N según:
  • Cap. IV - Pág. 131 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 q i j w i j w i j 1 (26) w i j x i j x i 1 j x i 1 j x i 2 j (27) Sea: x 1 x 1 y x 2 x 2 w 3 j x 3 j x 2 j x 2 j x 1 j ; j 1, ... , N x 3 Q x 2  (I Q) x 3 Q x 3 1 x 2 1 x 3 1 2 x 2 1  x 1 1 0 0 ... 0 0 x 3 2 x 2 2 x 3 2 2 x 2 2  x 1 2 0 ... 0      0 0 ... 0 x 3 N x 2 N x 3 N 2 x 2 N  x 1 N El factor de corrección debe calcularse para cada componente en cada iteración.q i j Nuevamente, para el inicio el método se recurrealmétodoconvencional de sustitución directa: con Para una iteración genérica, k,los nuevos valores de se calculan de acuerdox con las Ecuaciones (25a) y (25b), teniendo en cuenta que los valores de la matriz ,Q , deben actualizarse en cada iteración según las Ecuaciones (26) y (27).q i j
  • Cap. IV - Pág. 132 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x1 ln (x2) x1  x (x2 x1) 1 0 x1 ln (3 x2)  x2 1 0 x1 x1 ln x2  x (x2 x1) 1 x2 1 x1 ln (3x2) x 1 1 0  02 0 x 1 2 1 0 1 x2 F (x1 ) x 2 1 0  0 0 x 2 2 1 0 1 x 1 F (x 0 ) x 1 1 0.5 ln (0.5)  0.5 0.653426 x 1 2 1 0.5 ln (1.5) 0.797267 x1 C x0 , luego calculamos x2 F (x1 ) Ejemplo: Sea el siguiente sistema: con x2  0, x1  0. Resolverlo mediante el procedimiento de sustitución directa. Solución: Se comienza explicitando el vector x (x1, x2) F (x) Sea el vector inicial x0 (inicialización) = (0, 2), entonces .x1 F (x0 ) Aquí vemos que luego el vector (0,1) no es solución del sistema.x1 C x0 , Luego . Esto implica que es solución del sistema de ecuacionesx2 x1 x (0,1) analizado. Si probamos con otro punto de arranque, (por ejemplo (0.5,0.5)), tenemos:
  • Cap. IV - Pág. 133 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x 2 1 0.653426 x 2 2 0.797267 x 3 1 0.653426 ln (0.797267)  0.653426(0.797267 0.653426) ) 0.792584 x 3 2 1 0.653426 ln (2.39180) 0.430181 x3 C x2 , luego: x 4 1 0.792584 ln (0.430181) 0.792584(0.430181 0.792584) 0.419310 x 4 2 1 0.792584 ln (1.290543) 0.79784 x 5 1 0.419310 ln (0.79784)  0.41931(0.79784 0.419310) 0.624945 x 5 2 1 0.419310 ln (2.39352) 0.6340404 x1 0.68282645357897 x2 0.59936582123074 Que hacen que las funciones valgan: f1(x1,x2) 9 10 14 f1(x1,x2) 1.1 10 13 Luego, calculamos x3 , Siendo las soluciones más aproximadas: Ejemplo: Hallar una raíz de la función , ya vista en el ejemplo de laf (x) x 2 3x Sección (III.3), pero ahora mediante el método de Wegstein. Según vimos, en la etapa de arranque necesitamos los valores para :x 1 , x 2 y x3
  • Cap. IV - Pág. 134 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x 0 1 x 1 F (x 0 ) 1.73205 x 2 F (x 1 ) 2.27951 x 3 F (x 2 ) 2.61505 x 3 q x 2  (1 q) x 3 Luego: Cálculo de q:
  • Cap. IV - Pág. 135 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 w x 3 x 2 x 2 x 1 2.61505 2.27951 2.27951 1.73205 0.612918 q w w 1 1.583434 x3 ( 1.583434) 2.27951  (2.583434) (2.61505) 3.14635 x 4 F (x 3 ) 3.0723 x 4 q x 3  (1 q) x 4 w x 4 x 3 x 3 x 2 3.0723 2.61505 3.14635 2.27951 0.53274 q w w 1 1.1401 x 4 ( 1.1401) (3.14635)  (2.1401) 3.0723 2.9878 x 5 F (x 4 ) 2.99393 x 5 x 4 0.0613 g 0 , entonces: w x 5 x 4 x 4 x 3 2.99393 3.0723 2.9878 3.14635 0.5028 q w w 1 1.01137 x 5 ( 1.01137) 2.9878  ( 2.01137) 2.99393 3.00011 x 6 F (x 5 ) 3.000056 x 6 x 5 < 10 3 Luego, 3.000056 es raíz de la f (x) dada. De la misma manera, puede ejercitar al lector el procedimiento de Wegstein para el sistema del ejemplo anterior, teniendo en cuenta que al existir ahora dos variables, los factores q y w deben calcularse para cada una de ellas. Nótese que aquí se ha reducido sustancialmente el número de iteraciones respecto al método de sustitución directa, esto es, se ha acelerado el proceso de convergencia. Sin embargo, acelerar la convergencia no implica que si el método de sustitución directa no converge, sí lo hará el procedimiento de Wegstein.
  • Cap. IV - Pág. 136 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f1 (x1 ) 0 f2 (x1 , x2 ) 0 f3 (x1 , x2 , x3 ) 0 f4 (x1 , x2 , x3 , x4 ) 0 f5 (x1 , x2 , x3 , x4 , x5 ) 0 (28) IV.3 ANÁLISIS ESTRUCTURAL DE SISTEMAS DE ELEVADA DIMENSIÓN Resulta claro que los métodos numéricos discutidos en las secciones anteriores o en el Capítulo III son idóneos para la resolución de los sistemas que aquí discutimos. No obstante, en adelante nos centraremos en los aspectos estructurales y en el análisis de cómo tomar ventajas de la topología particular del sistema de ecuaciones, de tal manera de lograr un método de resolución eficiente. Una estrategia adecuada para este tipo de problemas, según algunos de los ejemplos ya vistos, es particionarlo en subsistemas independientes, tales que al ser resueltos cada uno de ellos en un orden particular, permitan la solución global del sistema de ecuaciones dado. Recordemos que esta estrategia ya fue mencionada en los Capítulos I y II, para distintos tipos de problemas. Aquí veremos que nuevamente la representación matricial y por grafos resultará ventajosa para nuestros propósitos. Una forma de modelar el sistema es plantear la representación del mismo mediante la llamada matriz de ocurrencia o incidencia, que por definición es un arreglo de n filas y n columnas (suponemos un sistema compatible) donde cada fila representa una ecuación y cada columna una incógnita o variable. De esta forma, cada elemento en la matriz puede tomar los valores cero o uno, si es que para el elemento ai j existe una vinculación entre la función i y la variable j , caso contrario, ai,j = 0. Sea por ejemplo el siguiente sistema: Aquí la matriz de incidencia u ocurrencia es la indicada en la Figura (IV.1), que se obtiene directamente de la definición de la misma, esto es, considerando en filas y columnas las funciones y variables respectivamente, y en cada posición se indicará si existe o no relación entre ellas.
  • Cap. IV - Pág. 137 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x1 x2 x3 x4 x5 f1 1 f2 1 1 f3 1 1 1 f4 1 1 1 1 f5 1 1 1 1 1 Figura IV.1: Matriz de ocurrencias del sistema de ecuaciones. (28) Se define como variable de salida de una ecuación a una variable asignada a la misma, tal que se supone puede calcularse a partir de conocer el valor de las demás variables contenidas en dicha ecuación. Se prescinde del hecho que pueda explicitarse, o deba procederse en forma iterativa con algunos de los métodos discutidos en el capítulo anterior. Si tomamos el listado de pares , correspondientes a cada asignación(xi, fi) realizada, tenemos el conjunto de salida. Debe respetarse para esta definición, el siguiente principio: Cada ecuación debe tener asignada una y sólo una variable de salida, mientras que cada variable es variable de salida de una y sólo una ecuación. Es evidente que al necesitarse para el cálculo de cada variable de salida xi el valor de las demás variables que están contenidas en fi, toda asignación de un conjunto de salida define un orden o secuencia en la cual el sistema de ecuaciones es resuelto. IV.3.1 Algoritmo de Steward para la Determinación del Conjunto de Salida En el año 1962 Steward propuso un método para determinar un posible conjunto de salida, utilizando la matriz de incidencia. Aquí sólo discutiremos algunos detalles del algoritmo, sugiriendo al lector interesado la lectura de la bibliografía citada para profundizar el tema. La incidencia se obtiene para una función (fila) como el número de variables que involucra y para una variable, por el número de funciones en la que participa (columna). La idea básica del método es tomar la fila (columna) con menor número de incidencia, lo cual implica que de la ecuación que depende del menor número de incógnitas (o alternativamente, la incógnita afecta el menor número de ecuaciones ) y de la fila en cuestión (o columna) se selecciona el elemento que pertenezca a una columna (fila) con el menor número de incidencia. De esta manera se asigna la variable representada por tal columna a la ecuación asociada a la fila correspondiente. Luego, se eliminan de la matriz ambas, fila y columna, prosiguiendo con el algoritmo hasta que se reduzca la matriz a la dimensión unitaria. El procedimiento se comprenderá mejor con un ejemplo, por caso el sistema de ecuaciones cuya matriz de ocurrencia es la indicada en la Figura (IV.1). La fila con el menor número de incidencia es la primera (uno), correspondiente a la variable x1. Se asigna x1  f1, luego se elimina dicha fila y columna, obteniéndose la matriz de la Figura. (IV.2).
  • Cap. IV - Pág. 138 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f1 x1 f2 x2 x1 f3 x3 x1 x2 f4 x2 x4 x3 f5 x1 x5 Figura IV.3: Orden de resolución del sistema de ecuaciones. x2 x3 x4 x5 f2 1 f3 1 1 f4 1 1 1 f5 1 1 1 1 Figura IV.2: Matriz de ocurrencias resultante luego de eliminar la fila 1 y la columna 1 de la matriz de ocurrencias de la Figura (IV.1). Nuevamente, la fila de menor incidencia es la primera con uno, siendo x2  f2. Luego, al eliminar fila y columna, queda una matriz de orden 3, que por la estructura de la matriz de incidencia se comprende claramente que implicará las siguientes asignaciones: f3 x3 f4 x4 f5 x5 Esta asignación del conjunto de salida implica un orden de resolución que puede indicarse según la Figura (IV.3). Puede notarse que en este caso se encuentra una secuencia de resolución acíclica. En general, cuando la estructura de la matriz de ocurrencia es diagonal, o triangular como en este caso, es fácil demostrar que existirá una secuencia de resolución acíclica, esto es, sin necesidad de recurrir a variables de iteración o iteradoras. Asimismo, puede demostrarse que es posible resolver el sistema ecuación a ecuación (variable a variable) sin necesidad de resolver subsistemas de ecuaciones simultáneas siguiendo un orden dado. Ejemplo: Sea el siguiente sistema:
  • Cap. IV - Pág. 139 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f1 (x1 , x2 , x3 , x4 , x5 ) f2 (x3 , x2 , x5 ) f3 (x2 , x3 , x4 ) f4 (x1 , x4 , x5 ) f5 (x2 , x3 , x4 , x5 ) (29) cuya matriz de ocurrencia se indica en la Figura (IV.4): x1 x2 x3 x4 x5 f1 1 1 1 1 1 f2 1 1 1 f3 1 1 1 f4 1 1 1 f5 1 1 1 1 Figura IV.4: Matriz de incidencia del Sistema de Ecuaciones (29). La fila con el menor número de incidencia es la 3. En cambio para las columnas es la 2, para x1. Luego, operando en la columna x1, f4 tiene menor incidencia 3 que f1, por lo tanto se asigna a x1, f4  x1. Se eliminan fila y columna, resultando la matriz de la Figura (IV.5): x2 x3 x4 x5 f1 1 1 1 1 f2 1 1 1 f3 1 1 1 f5 1 1 1 1 Figura IV.5: Matriz de ocurrencia luego de eliminar x1 y f1 de la Figura (IV.4). Para las filas la menor incidencia es 3 (f2 y f3). Lo mismo para las columnas (3 para x5 y x4). Elegimos f2, asignando x5 (incidencia 3), f2  x5; luego, eliminando fila y columna, nos queda (Figura (IV.6)): x2 x3 x4
  • Cap. IV - Pág. 140 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f4 x4 f2 f1 f5 f3 x5 x5 x2 x1 x2 x3 x2 x3 x5 x3 x4 x4 Figura IV.7: Orden de resolución del sistema de Ecuaciones (29). f1 1 1 1 f3 1 1 1 f5 1 1 1 Figura IV.6: Matriz de incidencia luego de eliminar f2 y x5 de la Figura (IV.5). Las funciones f1, f3 y f5 forman parte de una partición o subconjunto que debe resolverse en forma simultánea. Aquí podemos realizar una asignación arbitraria . Luego, el orden de resolución o secuencia resulta según se(f3x3), (f1x2), (f5x4) indica en la Figura (IV.7): Como se observa en la Figura (IV.7), el subconjunto debe(f1, f3, f5) resolversesimultáneamente,habiéndosesolucionadoprimerolasrestantesecuaciones. Esto implica, según vimos en el Capítulo III un orden cuadrático de convergencia. Sin embargo, podemos linealizar el sistema, (rasgar), introduciendo variables de corte
  • Cap. IV - Pág. 141 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f1 (x1, x2, x3, x4) 0 f2 (x3, x4, x5) 0 f3 (x5, x6, x1) 0 (30) x2 f1 f2 x1 x3 x5 x4 x6 f3 Figura IV.8 (iteradoras) que permitan resolverlo en forma acíclica. Esta estrategia reemplaza la resolución del sistema en forma simultánea por una secuencia dada modificando el orden cuadrático por uno menor(f1, f3, f5) (sustitución directa, Wegstein, etc.). Más adelante se discutirán métodos para rasgar un sistema de ecuaciones. En lo inmediato nos centraremos en el siguiente problema: Dado un modelo para un proceso o equipo específico, notaremos que generalmente contiene más variables que ecuaciones, por lo cual algunas deben especificarse. Luego, debemos tomar un criterio para hacerlo. IV.3.2 Especificaciones de Variables y Grados de Libertad de un Sistema de Ecuaciones Sea el siguiente sistema de ecuaciones: que puede ser representado según el siguiente esquema (que más adelante llamaremos grafo bipartito): Aquí existen nodos que representan a las funciones y otros que representan a las variables. Los arcos simplemente indican que la variable xi está vinculada a la ecuación fj. Dado que existen 6 variables y 3 ecuaciones, tenemos 3 variables a especificar de tal manera de lograr un sistema compatible. No obstante, existen varias opciones para asignar las mencionadas variables. Por ejemplo, sea el conjunto especificado el . De acuerdo a esto, el diagrama nos queda de la siguiente(x6, x5, x4) forma:
  • Cap. IV - Pág. 142 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f3 x2 f1 f2 x3 x1 FiguraIV.9:Sistemaluegodelaasignaciónde(x6, x5, x4) como variables especificadas. Figura IV.10: Orden de resolución del sistema de ecuaciones. Luego, existe una secuencia acíclica sin necesidad de iterar ya que conocidas las variables especificadas se puede resolver en dicha forma. El esquema de orden de resolución es (ver Figura (IV.10)): que surge simplemente por análisis de la Figura IV.8. Sin embargo, no es el mencionado el único conjunto de asignaciones que puede realizarse. En efecto, si en cambio el conjunto especificado fuera , tenemos(x3, x4, x6) el siguiente esquema de resolución (ver Figura (IV.11)) y de asignaciones de variables (ver Figura (IV.12)):
  • Cap. IV - Pág. 143 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f1 x5 f2 f3 x1 x2 FiguraIV.11: Sistema de la Figura (IV.9) luego de la asignación de .(x3, x4, x6) Figura IV.12: Orden de resolución para el Sistema (30) luego de la asignación indicada en la Figura (IV.11). Figura IV.13: Orden de resolución del Sistema (30) luego de la asignación .(x1, x2, x6) Por último, especificando tenemos (ver Figura (IV.13)):(x1, x2, x6) Aquí resulta en una secuencia cíclica de resolución, esto es, deberán resolverse simultáneamente , o bien suponerse un valor para e iterarsef1 y f2 x4 o x3
  • Cap. IV - Pág. 144 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 secuencialmente hasta lograr convergencia, según los métodos analizados en el capítulo anterior. El lector puede probar, como ejercitación, que la especificación o asignación nos lleva a una secuencia acíclica.(x1, x4, x6) Como conclusión, puede apreciarse que la elección de un conjunto de variables para ser especificadas no es neutra, sino que según se la realiza, el sistema resultante podrá o no ser resuelto secuencialmente,o en otras palabras, existe un grado de dificultad inherente que depende estrictamente del modo en que se han realizado las asignaciones. Dado que en sistemas de elevada dimensión es muy difícil deducir cómo especificar dicho conjunto, de manera tal de minimizar el esfuerzo para resolver luego el sistema, se han propuesto numerosos algoritmos para realizar dicha tarea. En la próxima secciónanalizaremos el algoritmo de Lee, Christensen yRudd, para tal fin. Se planteará el problema tendiendo progresivamente a ligar el concepto de sistema de ecuaciones con simulación, ya que básicamente, según ya sabemos, la simulación de un proceso consiste en implementar el modelo del mismo (sistema de ecuaciones)enunalgoritmocomputacionalyresolverlo,proponiendovaloresaciertas variables de entrada para obtener las correspondientes a las de salida (resultados de la simulación). Como hemos mencionado en el Capítulo I, todo proceso, equipo y/u operación puede representase a través de un modelo que puede poseer diversas características, según sea el problema a resolver. Si enfrentamos la resolución de los balances de materia y energía de un sistema, lo más común es que el modelo estará compuesto por un sistema de ecuaciones algebraicas si representamos el comportamiento en estado estacionario y además trabajamos con parámetros concentrados; esto es, no nos interesan como el caso de un reactor tanque agitado, las variación de las propiedades ni en el espacio ni en el tiempo, ya que de lo contrario necesitamos ecuaciones diferenciales a derivadas parciales. Dentro de este contexto, muy preliminarmente, podemos decir que simular un equipo o un proceso significa implementar el modelo que lo representa computacionalmente y a partir de dicho programa/sistema computacional, proponer los valores, variables o parámetros de entrada para obtener los resultados de interés. Los datos de entrada pueden ser los parámetros operativos de los equipos (números de etapas, características de la torre de destilación, áreas de intercambio, etc.) y las características de las corrientes de alimentación al equipo/proceso, tales como caudales, temperaturas, presiones y composiciones de cada una. Los resultados podrían ser todas las corrientes intermedias y las salidas a la planta, los perfiles internos en las torres de destilación, los servicios de calentamiento yenfriamiento, etc. Resulta necesario comprender cómo desarrollar modelos y además cómo enfrentar la solución de los mismos. Aquí nos ocuparemos en particular de la estructura del sistema de ecuaciones algebraicas resultante y los procedimientos apropiados para encarar la solución de los grandes sistemas, que, en general, involucran variables de iteración y además requieren procedimientos de particionado
  • Cap. IV - Pág. 145 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 fi (x1 , x2 , .......xn ) 0 ; i 1, .... , M (31) G# n m (32) NA C n G# n G# n! m! G#! (33) del sistema en subsistemas de más fácil solución. En general, un sistema de ecuaciones tiene la forma: Entonces, los grados de libertad del sistema se definen como la diferencia entre el número de variables menos el de ecuaciones: Ya mencionamos que se tiene un mayor número de variables que de ecuaciones al plantear el modelo de un equipo o proceso. Por lo tanto, para obtener un sistema compatible, deberán especificarse G# variables, detal forma de lograr igual número de ecuaciones que de incógnitas. El problema radica en que existen numerosas variantes para asignar estas variables, si suponemos el planteo general en el cual todas las variables son desconocidas o factibles de ser especificadas. Se puede fácilmente demostrar que el número de posibles combinaciones para asignar los G# grados de libertad responde a la siguiente expresión: Este número de alternativas es muygrande pero en la práctica están limitadas por criterios físicos a esquemas realistas de aplicación. IV.3.3 Algoritmos para Selección de Variables a Especificar Lee, Christensen y Rudd introdujeron un algoritmo para la selección de variables de tal forma de lograr una secuencia acíclica de resolución (sin iteraciones). Se introduce para el modelado el grafo bipartito. Éste se construye definiendo nodos f (funciones) y nodos v (variables). De este modo, los arcos dirigidos conectan las ecuaciones con las variables relacionadas. En la Figura (IV.14) vemos un ejemplo de grafo bipartito correspondiente al sistema de ecuaciones (34). Como se observa, los nodos superiores representan a cada función, mientras que los nodos inferiores () representan a las variables. Dado que, por ejemplo, f2 esté vinculado con las variables 3 y 6, en la figura IV.14 existen arcos que vinculan dichos nodos.
  • Cap. IV - Pág. 146 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f1 (v1, v2, v3, v4) 0 f2 (v3, v6) 0 f3 (v5, v6) 0 f4 (v2, v4, v5) 0 (34) f1 v6v2 v3 v4 v5 f2 f3 f4 v1 Figura IV.14: Grafo que representa al Sistema de Ecuaciones (34). Se define como grado local al número de corrientes ligadas a cada nodo (3). Por ejemplo, en la Figura (IV.14) el grado local para . El método sev1, 3(v1) 1 basa, según Osteward, en las siguientes consideraciones:  Cada ecuación contiene exactamente una variable de salida.  Cada variable aparece como elemento de salida en solamente una ecuación. Por otra parte, las ecuaciones de grado uno no agreganfi (xj) 0 información, ya que si existe una solución real y única , ésta es la variablexj c determinada, por lo que se eliminan del tratamiento en la Figura (IV.14). A continuación aplicaremos el algoritmo al sistema de la Figura (IV.14), esto es, el Sistema de Ecuaciones (34). Ejemplo de aplicación del algoritmo: Existe 3(fi) 1 ? No, no hay funciones y variables a eliminar. 3(vj) 1 ? Sí, , entonces ; luego, asignando como variable de salida de , el grafov1 f1v1 v1 f1 de la Figura (IV.14) queda, según se observa en la Figura (IV.15):
  • Cap. IV - Pág. 147 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f2 f4f3 v3 v6v5v4v2 Figura IV.15: Grafo luego de eliminar .v1 y f1 f2 f3 v3 v6v5v4 Figura IV.16: Grafo luego de eliminar .f4 y v2 Nótese que también podría (entre otras) realizarse la asignación f1  2. Para una adecuada decisión, debemos conocer más información acerca del sistema. 3(vj) 1? Sí, , entonces ; luego tenemos el siguiente grafo bipartito (Figura (IV.16)):v2 f4v2 Sí, ; luego resulta el siguiente grafo (ver Figura (IV.17)):3(vj) 1 ? v3
  • Cap. IV - Pág. 148 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f3 v4 v6v5 Figura IV.17: Grafo luego de eliminar .f2 y v3 Sí, ; luego .3(vj) 1 ? v5 f3  v5 No.3(vj) 1 ? Sí, .3(vj) 0 ? (v4 , v6) Quedan ? No, < sistema acíclico.fi Vemos que el sistema de Ecuaciones (34) tiene 6 - 4 = 2 grados de libertad. Aquí el algoritmo nos permite la selección (entre las varias alternativas posibles), que nos brinda una secuencia de resolución de mínima dificultad, en este caso, acíclica. Se ha supuesto que cualquier variable de salida elegida se puede explicitar de toda y cualquier ecuación. Por otra parte, no se utilizó conocimiento heurístico (información adicional) sobre la conveniencia de ligar una variable de salida con una función, sólo se utilizó el criterio de seleccionar la primer variable de izquierda a derecha, según una hipotética implementación (listado de nodos) en un algoritmo computacional. Este criterio puede mejorarse, pero se requiere algún tipo de información adicional, según mencionamos en el párrafo anterior. Este algoritmo, someramente expuesto a través del ejemplo, concluye cuando, o bien genera una secuencia acíclica, o bien se encuentran ciclos irreductibles que deben ser analizados bajo otro enfoque. Acontinuación se expondrá un nuevo ejemplo,yluego se discutirán aspectos de los casos que presentan ciclos. Ejemplo: Sea el sistema de la Figura (IV.18). Aquí se representa un conjunto de ductos que se unen en un único conducto, contemplando las variables relacionadas con cada corriente. Se pretende generar el modelo, (sistema de ecuaciones) y encontrar un conjunto de variables a especificar de tal forma que la secuencia de resolución resulte conveniente.
  • Cap. IV - Pág. 149 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 F1 , T1 , P1 F2 , T2 , P2 F3 , T3 , P3 F4 , T4 , P4 Figura IV.18: Esquema del sistema a modelar. f1 F1  F2  F3 F4 0 (35) f2 F1 H1  F2 H2  F3 H3 F4 H4 0 (36) Hipótesis:  Sistema adiabático y estacionario.  Cañerías de igual sección y altura equivalente (trabajo de la fuerza de gravedad despreciable).  Pérdidas de carga despreciables.  Densidad de los fluidos constante. Fluido puro.  Trabajo de las fuerzas de presión despreciable. Las presiones de las corrientes de entrada y salida son iguales. Balance de materia: Balance de energía:
  • Cap. IV - Pág. 150 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 f3 H1 (T1, P1) 0 f4 H2 (T2, P2) 0 f5 H3 (T3, P3) 0 f6 H4 (T4, P4) 0 (37) P1 N P2 N P3 N P4 P f1 (F1, F2, F3, F4) 0 f2 (F1, H1, F2, H2, F3, H3, F4, H4) 0 f3 (H1, T1, P) 0 f4 (H2, T2, P) 0 f5 (H3, T3, P) 0 f6 (H4, T4, P) 0 (38) 13 7 13! 6! 7! 1716 Ecuaciones constitutivas: En función de las hipótesis asumidas, podemos suponer que la presión de descarga es igual a las de la corriente de entrada, esto es: Por lo tanto, las ecuaciones anteriores pueden expresarse según el siguiente sistema: Tenemos por lo tanto 6 ecuaciones y 13 incógnitas por lo que disponemos de 7 grados de libertad, variables de diseño o variables a especificar. Por otra parte, en el caso general, las variantes para especificar son: Como se observa, son enormes las variantes, pese a este problema sencillo; pensemos en un planta completa, con miles de ecuaciones e incógnitas. Las variables a especificar dependerán del problema a resolver. Por ejemplo, sea el caso que querramos calcular las variables de salida, conocidas las de entrada. De esta manera, las seis variables a especificar deberán surgir del conjunto: . Según vimos, basta con las seis primeras y un(F1 , F2 , F3 , T1 , T2 , T3 , P1 , P2 , P3 ) dato de presión, , ya que asumimos todas las presiones equivalentes. Si bien este conjunto de especificaciones surge de la conveniencia al conocer
  • Cap. IV - Pág. 151 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v1 f1 v2 v3 v4 v5 v6 v7 v8 v9 v10 v11 v12 v13 f2 f3 f4 f5 f6 Figura IV.19: Grafo bipartito, Sistema de Ecuaciones (38). v1 f1 v2 v3 v4 v5 v6 v7 v8 f2 f5f4 f6 Figura IV.20 ciertas variables, no significa que sea la mejor alternativa para la secuencia de resolución (cíclica o iterativa vs. secuencia acíclica, esto es sin necesidad de iteraciones). En la Figura (IV.19) se observa el grafo bipartito para este caso (v1=F1, v2=F2, v3=F3, v4=F4, v5=H1, v6=H2, v7=H3, v8=H4, v9=T1, v10,=T2, v11=T3, v12=T4, v3=P): Como hemos visto, el algoritmo de Lee, Christensen y Rudd permite determinar un conjunto de asignaciones conveniente. Por lo tanto, en lo que sigue aplicaremos el procedimiento a los efectos de juzgar la especificación arriba mencionada. Aplicación del algoritmo de Lee, Christensen y Rudd . No.3(fi) 1 ? . Sí, . Resulta por lo tanto el grafo de la Figura (IV.20).3(vi) 1 ? v9 < f3  v9 . Sí, . Luego obtenemos el grafo de la Figura (IV.21).3(vi) 1 ? v5 < f2  v5
  • Cap. IV - Pág. 152 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v1 v2 v3 v4 v6 v7 v8 v9 v10 v12v11 v13 f1 f4 f5 f6 Figura IV.21: Grafo luego de la eliminación de f2 y v5 . v2 v3 v4 v6 v7 v8 v9 v10 v12v11 v13 f4 f5 f6 Figura IV.22: Grafo luego de la eliminación de f1 y v1 . v2 v3 v4 v7 v8 v12v11 v13 f5 f6 Figura IV.23: Grafo luego de la eliminación de f4 y v6 . . Sí, . Nos queda ahora el grafo indicado en la Figura3(vi) 1 ? v1 < f1  v1 (IV.22). . Sí, . Luego tenemos el grafo indicado en la Figura (IV.23).3(vi) 1 ? v6 < f4  v6 . Sí, . Luego, tenemos el siguiente esquema (ver Figura (IV.3(vi) 1 ? v7 < f5  v7 24)):
  • Cap. IV - Pág. 153 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v2 v3 v4 v8 v12v11 v13 f6 v10 Figura IV.24: Grafo luego de la eliminación de f5 y v7. v3 v1 v8 v6 v7 f1 f6 f4 f5 f4 f2 f3 v5 v9 Figura IV.25: Secuencia de cálculo para el Sistema de Ecuaciones (38), una vez especificados .(v2, v3, v4, v10, v11, v12, v13) Sí, .3(vi) 1 ? v8 < f3  v8 No.3(vi) 1 ? Sí, .3(vi) 0 ? < (v2 , v3 , v4 , v10 , v11 , v12 , v13 ) Queda algún fi ? No < sistema acíclico. Elconjuntodevariablesaespecificarobtenidoporelalgoritmoinvolucrauna secuencia de resolución según se indica en la Figura (IV.25).
  • Cap. IV - Pág. 154 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v1 f1 v2 v3 v4 v5 v6 v7 v8 f2 f5 f4 f6 v9 f3 Figura IV.26 v1 v2 v3 v5 v6 v7 v8 f2 f5 f4 f6 v9 f3 Figura IV.27 Como se observa, al no incluir ninguna información adicional, respecto a la conveniencia de especificar o no determinadas variables, obtenemos un conjunto específico distinto del conjunto mencionado(F1, F2, F3, T1, T2, T3, P) anteriormente. Se puede demostrar fácilmente que adoptando este conjunto también obtenemos una secuencia de resolución acíclica, por lo que en este caso la elección dependerá de la conveniencia. No obstante, no siempre la secuencia impuesta por el criterio directo (especificamos las entradas para calcular las salidas como es clásico en simulación secuencial, según veremos en el próximo capítulo), resultará en una secuencia acíclica y por lo tanto, no siempre será la más conveniente. Sin embargo, físicamente es atractiva ya que representa naturalmente el flujo de la planta real. Probaremos seguidamente, que en este caso, la especificación de las entradas también lleva una secuencia acíclica. En la Figura (IV.26) se indica el grafo de partida donde las variables han sido especificadas, esto es son(v1, v2, v3, v9, v10, v11, v13) conocidas. En efecto, al especificar este último conjunto de variables nos queda (ver Figura (IV.26)): Aplicando el algoritmo: Sí, ; luego . El nuevo grafo es (ver Figura (IV.27)):3 (fi) 1 ? f1 f1 < v4 Sí, ; luego ; luego resulta el grafo de la Figura ( IV.28).3 (fi) 1 ? f4 f4 < v6
  • Cap. IV - Pág. 155 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v1 v2 v3 v5 v7 v8 f2 f5 f6 v9 f3 Figura IV.28 v1 v2 v3 v7 v8 f2 f5 f6 v9 Figura IV.29 v1 v2 v3 v8 f2 f6 v9 Figura IV.30 Sí, ; luego ; entonces resulta el grafo de la Figura (IV.29).3 (fi) 1 ? f3 f3 < v5 Sí, ; luego ; entonces tenemos el grafo de la Figura ( IV.30).3 (fi) 1 ? f5 f5 < v7 Sí, .3(fi) 1 ? f2 < f2  v8 Sí, .3(fi) 1 ? f6 < f6  v12 No.3(fi) 1 ? Sí.3(vi) 0 ? Esto implica que se encuentra una secuencia de resolución acíclica según ya
  • Cap. IV - Pág. 156 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 cmin mín 3(vj) 1 (39) f1 (x1, x2, x3) 0 f2 (x1, x2, x4, x6) 0 f3 (x3, x4, x5, x6) 0 f4 (x3, x4, x5, x6, x7, x8) 0 f5 (x6, x7, x8) 0 (40) anticipamos. En efecto, el lector puede, a partir de los pares (fi, i) encontrados, armar el orden de resolución correspondiente, el cual resulta acíclico. IV.3.4 Sistemas Cíclicos La variante propuesta, dentro del algoritmo que estamos analizando, para el caso en que se detecten ciclos, se basa en el hecho que el subgrafo irreducible tiene al menos un 3(vj)  2. Se propone cortar (rasgar) el grafo de tal forma que el número de variables iteradoras sea mínimo. Estas variables son aquellas que deben ser inicializadas para generar una secuencia iterativa a los efectos de resolver el sistema de ecuaciones correspondiente. En general podrían necesitarse c cortes, donde c es menor que el número de ecuaciones fi; tales que se resuelven si se asignan variables de salida a los posibles c fi nodos, que surgen de los cortes, ya que de esta manera el grafo resultante puede procesarse según lo visto en los ejemplos anteriores. El número mínimo cmin de variables de corte se relaciona con el grado local de la siguiente forma: Ejemplo: Sea el sistema: El grafo correspondiente es el indicado en la Figura (IV.31), según el procedimiento ya discutido en los ejemplos anteriores. En este caso, como vemos, no existe 3 (j) = 1 ni 3 (fi) = 1. El menor 3(j) es 2. Luego, esta situación indica la existencia de un sistema cíclico y la necesidad de determinar corrientes de corte (rasgado).
  • Cap. IV - Pág. 157 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura IV.31: Grafo correspondiente al Sistema de Ecuaciones (40). Figura IV.32: Grafo luego de eliminar f1 y v1. Minímo 3(vj) 2 ; Cmin 2 1 1 Comenzando con f1  v1 (iteradora ), nos queda (ver Figura (IV.32)): Tenemos al menos un nodo de variables de grado local uno (v2). Luego aplicamos el algoritmo ya visto para sistemas acíclicos: No.3(fi) 1 ? Sí, < ; tenemos entonces el grafo de la Figura (IV.33).3(vi) 1 ? v2 f2  v2 Nuevamente, en este caso, no encontraremos variables con 3(j) = 1. Luego, comenzamos con el procedimiento para sistemas cíclicos. Nótese que siempre deberá agotarse la búsqueda del sistema acíclico utilizando las Cmin f combinaciones posibles de nodos. Si no se logra, debe incrementarse C en uno hasta lograrlo.
  • Cap. IV - Pág. 158 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v3 v4 v5 v7 v8 f3 f4 f5 x3 x4 x5 x6 x7 v6 x8 Figura IV.33: Grafo luego eliminar f2 y v2. v4 v5 v7 v8 f4 f5 x4 x5 x6 x7 v6 x8 Figura IV.34: Grafo luego de eliminar f3 y v3. No.3(vj) 1 ? .Mínimo 3(vj) 2, Cmin 2 1 1 Asignamos (iteradora); luego nos queda el grafo de la Figura (IV.34).f3  v3 Al encontrar un comenzamos con el algoritmo para sistema3(vj) 1 acíclicos. Sí, , luego . Nos queda entonces el grafo de la Figura (IV.35).3(vj) 1 ? v4 f4  v4 Sí, < .3(vi) 1 ? v6 f5  v6 No.3(vj) 1 ? Sí, < .3(vj) 0 ? (v5, v7, v8) Nótese que al igual que los casos anteriores, las asignaciones realizadas (por ejemplo 6  f5) no son únicas.
  • Cap. IV - Pág. 159 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v5 v7 v8 f5 x5 x6 x7 v6 x8 Figura IV.35: Grafo luego de eliminar f4 y v4. Dado que no quedan fi, se finaliza el algoritmo. Luego, tenemos como variables iteradoras ( , ) y las variables a ser especificadas: ( , , ). Vemosv1 v3 v5 v7 v8 que este número coincide con los grados de libertad del sistema (G# = 8 - 5 = 3). La secuencia de resolución para este caso es la que se muestra en la Figura (IV.36). Nuevamente, al aplicar el procedimiento, la selección de variables la hicimos tomando la primer función o variable según corresponda, de izquierda a derecha, suponiendolaimplementacióndeunalgoritmoquemanipulelasvariablesintermedias según ese orden (se supone que están archivadas en una lista). Obviamente, si se aplican criterios heurísticos o provenientes del conocimiento intrínseco del sistema es posible mejorar mucho la perfomance del algoritmo, en particular al seleccionar variables iteradoras. No se analizarán aquí estos criterios, al igual que los casosespeciales que puedan aparecer en la aplicación general del procedimiento. Se recomienda al lector profundizar el tema en la bibliografía citada o recomendada al final del capítulo. Sólo mencionaremos a modo de ejemplo, queelusodematrices para modelar el problema permite introducir varias mejoras en el procedimiento. Para ello se introduce el concepto de matriz de ocurrencias, la cual es manipulada hasta lograr una matriz tridiagonal (Book y Ramirez, 1976), con un esquema similar al ya discutido. Es interesante remarcar que la forma de representar el problema no sólo facilita su resolución, sino que además, puede o no facilitar la programación computacional. Como veremos más adelante, todos los criterios de particionado, rasgado y ordenamiento de sistemas de ecuaciones son muy importantes para la implementación de un simulador.
  • Cap. IV - Pág. 160 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 v3 f1 v1 v2 f2 v3 f3 v3 v4 v4 f5 v7 v8 f4 v6 Figura IV.36: Secuencia de resolución del Sistema de Ecuaciones (40). El símbolo C significa variable de corte o iteradora. IV. 4 ALGORITMOS DE PARTICIONADO, RASGADO Y ORDENAMIENTO. ARQUITECTURA MODULAR SECUENCIAL Llegado a este punto, nos interesa plantearnos la utilidad de los métodos discutidos y su relación con un simulador de procesos. Como fuera que éste al fin y el cabo consiste en un sistema de ecuaciones, la relación resulta obvia. En efecto, una planta completa tendrá asociada, como veremos más adelante, a miles de ecuaciones y variables. Un simulador que responde a la filosofía de representar a todo el proceso a simular por un único sistema de ecuaciones se conoce como de arquitectura global u orientado a ecuaciones. Bajo esta arquitectura, todo lo discutido hasta aquí es directamente aplicable; en particular la selección de las variables a especificar para que el sistema resulte compatible y las metodologías de particionado en subsistemas para su posterior resolución, no recurriéndose a la linealización (rasgado) de los mismos para reemplazar los procedimientos de resolución simultánea por cálculos secuenciales ecuación a ecuación en una secuencia iterativa.
  • Cap. IV - Pág. 161 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Cada estrategia dependerá del caso particular, los objetivos perseguidos, la forma de plantear el modelo etc. Debe destacarse, no obstante, que los algoritmos discutidos al permitir representar el estado del sistema mediante matrices, permiten fácilmente su implementación computacional, de tal manera de automatizar el procedimiento de resolución. Por otra parte, conviene remarcar que al existir un gran número de alternativas posibles, el problema tiene una gran flexibilidad y puede resultar apropiadoparatomardecisiones,contarconconocimientosintrínsecosy/oespecíficos del sistema a resolver. Esto puede realizarse mediante sistemas inteligentes que complementan los algoritmos hasta aquí estudiados, de tal manera de mejorar su performance, tomando ventajas de características específicas del particular problema a resolver. Expuesto el problema más general, conviene en este punto aclarar que históricamente, al implementarse los primeros simuladores, no se recurrió a la filosofía o enfoque global, sino que se utilizó una alternativa conocida como arquitectura modular secuencial. No discutiremos las ventajas o desventajas de ambas alternativas ni las particularidades específicas, ya que volveremos sobre este punto en los Capítulos V y VI. Nos basta con destacar que la estrategia modular secuencial, que básicamente interpreta al complejo a simular como una unión de subunidades o módulos específicos, llamados equipos (correspondientes con las operaciones unitariasclásicas),matemáticamentelapodemosinterpretarcomounparticionadodel sistema de ecuaciones de la planta completa en subunidades (subsistemas), pero no guiados por un criterio de optimización (algoritmos estudiados en las secciones anteriores), sino por la conveniencia física de disponer datos y submódulos estructurados de una manera dada, dictados prioritariamente por la correspondencia de los subsistemas de ecuaciones con las subunidades de proceso (operaciones unitarias), por ejemplo bombas, intercambiadores, torres, etc, y por el sentido en que están conectadas en el proceso real. Al forzar la partición del sistema global en subsistemas, se pierde gran parte de la flexibilidad original, sacrificando seguramente alternativas óptimas de particionado. Es el precio a pagar por utilizar una guía no matemática, pero conveniente desde el punto de vista físico o de ingeniería. Esquemáticamente, cada módulo o paquete de ecuaciones correspondientes a cada equipo puede ahora ser representado según la Figura (IV.37). En otras palabras, se supone que podemos construir el modelo de una unidad de proceso por medio de un sistema de ecuaciones, y que conocemos las variables (generalmente asociadas a las corrientes físicas) de entrada, siendo el objetivo el cálculo de las variables (corrientes) de salida.
  • Cap. IV - Pág. 162 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura IV.37 x1 x2 x3 x5 x6 x4 E1 E2 E3 E4 x7 Figura IV.38: Diagrama de flujo de información (DFI) o de vinculación entre variables de entrada y salida para cada módulo (equipo) para un proceso dado. En la figura anterior se indica que, dados los valores de las variables de entrada, , se obtienen los valores de las variables de salida, por medio de lasxe xs funciones . Nótese que nada se especifica acerca de cómo internamente sef(xe ) procede a la resolución, esto es, si se utiliza un método iterativo, si es una secuencia acíclica, etc. Se supone que se han aplicado a nivel local (a cada módulo; por ejemplo, el indicado en la Figura (IV.37)) todos los procedimientos vistos, de tal manera de optimizar la secuencia de resolución, fijados los . Obviamente, como ya sexe comentó, esta solución será sub- óptima, ya que si en vez de fijado se hubiesexe adoptado algún otro conjunto entre todos los posibles, existe la posibilidad de hallar una solución más adecuada, ya que el óptimo sólo se encuentra a partir de un análisis que considere todas las posibilidades. Dada una planta, compuesta por diversos equipos conectados entre sí, todos representadosporsucorrespondientesistemadeecuaciones(supuestoqueconocemos las entradas y calculamos las variables de salida), podemos suponer para un caso específico, un esquema como el indicado en la Figura (IV.38):
  • Cap. IV - Pág. 163 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 En él se indican con valores (Ei) los nodos que representan equipos, mientras que los vectores indican variables de entrada o salida de los respectivos módulos.xi En simulación de procesos se suele llamar al vector de variables corriente, ya sea de entrada o de salida, en alusión a las corrientes físicas del proceso. Se supone que para cada equipo se conocen las variables correspondientes a las corrientes de entrada (variables especificadas) y que las variables contenidas en las corrientes de salida serán calculadas. A un nodo pueden ingresar o salir más de una corriente. La cantidad de variables asociadas a cada corriente dependerá de las características de la misma. Si analizamos la Figura (IV.38) vemos que para poder resolver el proceso completo (todas las variables de salida e intermedias), ya que las de entrada por definición se suponen especificadas ( en este caso), se deberá recurrir a rasgar elx1 grafo (corrientes iteradoras) según lo indicado en la Figura (IV.38). Nótese que tanto como o pueden ser asumidas como corrientes o grupo de variables dex3 x4 x6 iteración. Si bien en este caso la selección ha sido sencilla (también lo es darse cuenta que en este caso el conjunto mínimo de corrientes iteradoras es unitario ), no resulta lo mismo para un grafo de decenas de equipos y cientos de corrientes con muchos reciclos. A la relación entre nodos y corrientes esquematizada en la Figura (IV.38) se le llama, como mencionamos antes, diagrama de flujo de información (DFI). Por otra parte, existen varios algoritmos propuestos que permiten encontrar el mínimo conjunto de corrientes de corte, según se analizará en detalle en las próximas secciones. Debemos recalcar aquí que en este problema, esto es, el particionado específico del sistema global de ecuaciones (por ejemplo, el de la Figura (IV.38)) en subconjuntosdeecuacionesespecíficas(losrepresentadosporE1, E2,E3, E4)orientados según un sentido de cálculo tal que se suponen especificadas las variables asociadas a las corrientes de entrada, debiéndose calcular las contenidas en las corrientes de salida, no puede asegurarse una performance óptima con respecto al particionado por medio de los algoritmos anteriormente vistos aplicados al problema original. Esto surge como consecuencia de una asignación histórica que se orienta según los módulos de equipos o bien las relaciones físicas en el proceso, contrariamente al flujo de información matemático inherente a las relaciones entre las variables y funciones, según la estructura del sistema. Es por ello comprensible que a la primer estrategia, esto es, encarar el problema global y particionar el sistema en subsistemas con un criterio que da prioridad a la estructura del sistema de ecuaciones se lo llama orientado a ecuaciones, mientras que al otro se lo llama orientado a módulos o simplemente modular. Dado que los módulos se suponen orientados y deben resolverse según una secuencia, se lo denomina criterio modular secuencial. En los Capítulos V y VI veremos las ventajas y desventajas asociadas a ambas alternativas para encarar la simulación de un proceso. Volviendo al esquema de la Figura (IV.38) vemos que una posible secuencia de resolución sería la siguiente (conocemos las corrientes de entrada a la planta, o sea , y suponiendo conocido además el valor de la corriente - valor supuesto -):x1 x3
  • Cap. IV - Pág. 164 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 x3 E3  x5 , x4 x4 E4  x7 , x6 x1 E1  x2 x6 , x2 E2  x 3 x 3 x3  < 10 8 Luego, se comparan los valores y , hasta lograr, mediante un proceso iterativo,x3 x 3 que el error entre los mismos satisfaga un criterio especificado, por ejemplo: El orden de resolución de equipos se llama orden de procedencia o(E3, E4, E1, E2) de resolución. Las secuencias no necesariamente son únicas, como puede comprobarse rápidamente por simple inspección de la Figura (IV.38). A las corrientes iteradoras se las llama también corrientes de corte (en este caso ).x3 Por último, al proceso de identificar los ciclos se lo(E2  E3  E4  E2) llama particionado. Los algoritmos que veremos a continuación permiten realizar el particionado, la asignación de corrientes de corte o iteradoras y por ende encontrar una secuencia de resolución (ordenamiento) en una forma automática y sencilla. Antesdeintroducirnosenlaproblemáticadereferencia,repasaremosalgunos conceptos asociados a la teoría de grafos que expresamos someramente en el Capítulo II. Se denomina grafo a la representación formada por un conjunto de nodos unidos entre sí por arcos, par a par. Se lo llama dirigido o digrafo cuando los arcos están dirigidos. Además, se dice que entre un nodo Ni y Nj existe un camino, si siguiendo los arcos orientados desde Ni es posible llegar a Nj. Por otra parte, si existe un camino tal que comienza en un nodo y termina en él, éste es llamado ciclo o camino cíclico. Un ciclo es máximo si y sólo sí todos los demás ciclos del grafo no están contenidos en él ni tampoco existen nodos en común. IV.5 MÉTODO DE PARTICIONADO DE NORMAN (1965)
  • Cap. IV - Pág. 165 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura IV.39: Digrafo y matriz de adyacencia correspondiente. [aij] M N i 1 aik akj Norman se basó en la definición de la matriz de adyacencia, que a diferencia de la matriz de ocurrencia, dispone en filas y columnas los nodos del grafo (es decir que tiene dimensión igual a la del grafo). Luego, en la posición existirá un uno (1)aij si existe un arco entre i y j y cero (0) en caso contrario. Por ejemplo, en la Figura (IV.39) tenemos un grafo sencillo y su correspondiente matriz de adyacencia. Se puede notar que en la matriz aparecen filas y columnas (indicadas con una flecha) que no poseen números, esto es, están vacías. Una fila vacía, según construimos la matriz, indica que el nodo correspondiente (7 en este caso) no es antecesor inmediato de ningún nodo. Para una columna, (8 en este caso), significa que no es sucesor inmediato de ningún nodo. El algoritmo de Norman (1965) permite identificar los ciclos máximos por medio de la potenciación sucesiva de la matriz de adyacencia, . En efecto, al multiplicar la matriz por sí misma, todo elemento:A A segúnladefinicióndemultiplicacióndematricesseobtieneacumulandolosproductos parciales (k productos). Estos productos sólo serán distintos de cero si para cada k, tanto como son distintos de cero, esto es, existe un camino entre ellos que losaik akj vincula. Luego, el resultado de la operación mide la longitud del camino que une los nodos i y j. Por consiguiente, si la matriz potencia con p = 1, 2,..., n presentaAp elementos no nulos en la diagonal, nos indica que para ese elemento , existenaii caminos que nacen en y finalizan en (ciclo) y además el ciclo tiene longitud p.ai ai Sea el ejemplo de la Figura (IV.39). Las matrices se indican aA2 , A3 , A4 continuación:
  • Cap. IV - Pág. 166 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 A2 1 2 3 4 5 6 7 8 1 1 2 1 3 1 4 1 1 5 1 1 6 1 1 7 8 1 A3 1 2 3 4 5 6 7 8 1 1 1 2 1 1 3 1 1 4 1 1 5 1 1 6 1 1 7 8 1 1 A4 1 2 3 4 5 6 7 8 1 1 2 1 1 3 1 1 4 1 1 5 1 1 1 1 6 1 1 7 8 1 1 Aquí el problema radica en la dimensión de la matriz (que en casos reales puede ser mayor a mil) y por consiguiente el tiempo de cómputo asociado. Para solucionar este problema Keham y Shacham se basaron en las características particulares de la matriz de adyacencia, logrando un algoritmo eficaz y sencillo.
  • Cap. IV - Pág. 167 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 IV.6 ALGORITMO DE PARTICIONADO DE KEHAM Y SHACHAM Entre las modificaciones introducidas, la primera es eliminar las filas y columnas vacías en la matriz descripta anteriormente, ya que no proveenA información relevante. Luego se introduce una nueva matriz, la matriz de índices .I Se define así una matriz de m filas (siendo m el número de elementos no nulos en ) y dos columnas. La columna de la izquierda, para una dada fila, contieneA todos los nodos que dispongan de sucesor inmediato y a la derecha se coloca dicho sucesor inmediato. Esta definición también puede aplicarse a las sucesivas potencias de . Puede apreciarse que se produce una gran reducción del espacio utilizadoA (memoria de máquina necesaria) sin perder información. Lo que falta es encontrar un álgebra con la matriz de índices similar a las potencias de la matriz de adyacencia. Keham y Shacham propusieron un algoritmo basado en la matriz de índices que logra ubicar los ciclos de igual modo que lo realiza la matriz de adyacencia. Si se comparan las matrices de índices correspondientes a cada matriz A potenciada, se puede lograr fácilmente un procedimiento o algoritmo práctico que permita obtener las sucesivas potencias de la matriz de índices. Para tener una somera idea del algoritmo (para mayores detalles se remite al lector a la bibliografía citada o recomendada), conviene analizar las propiedades de la matriz de índices, . Por ejemplo, la matriz de índices correspondiente a la matrizI de adyacencias (o al grafo) de la Figura (IV.39) es: I 1 4 2 3 3 6 4 5 5 1 5 2 6 5 6 7 8 4 Una segunda reducción se logra eliminando los nodos de entrada que son aquellos que no tienen antecesores inmediatos. Ello implica que en la matriz losI valores figuran en la columna de la izquierda y no aparecen en la columna de la derecha. En caso contrario, aquellos que figuren en la columna de la derecha pero no en la izquierda no tienen sucesores, razón por la que se los llama nodos de salida y pueden eliminarse. Luego de ese proceso, la matriz de índices reducida queda:Ir
  • Cap. IV - Pág. 168 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Ir 1 4 2 3 3 6 4 5 5 1 5 2 6 5 Luego de este paso que ha eliminado información irrelevante se computan las sucesivas potencias de (que pueden obtenerse a partir de las matricesIr A potenciadas). Un algoritmo para obtenerlas directamente es el siguiente:  En la matriz se procede de la siguiente manera: Se toma cada elemento deIr la columna izquierda y se lo escribe nuevamente en la columna izquierda de la matriz potencia, por ejemplo, Ir 2  En la columna de la derecha se ubica el nodo procediendo de la siguiente manera: Se debe hallar en el nodo sucesor inmediato, esto es, el valor enIr la columna derecha. Por ejemplo, en el caso se tiene en la primer fila el nodo 1, queIr 1  Ir 2 tiene a la derecha (sucesor) el valor 4. En las columnas de la izquierda, 4 aparece una sola vez y tiene como sucesor (derecha) el valor 5 en . Luego, se ubicará este valorIr 1 a la derecha, en , en la primer fila. Para el caso de la cuarta y quinta fila en ,I 2 r Ir 2 vemos que se repite el nodo 4. Esto se debe a que en la cuarta fila de tenemos elIr 1 nodo 4 con su sucesor inmediato (fila derecha) el nodo 5. Luego, al ubicar los nodos sucesores inmediatos de 5, esto es, en la columna izquierda de y tomar el nodo queIr 1 lo acompaña en la fila derecha, vemos que el nodo 5 está dos veces, en la quinta y la sexta fila con nodos sucesores 1 y 2, respectivamente. Por lo tanto, en se ubicaránIr 2 en la cuarta y quinta fila el nodo 4 en columna izquierda, y los nodos 1 y 2 en la columna derecha. Si observamos la Figura (IV.39), esto no es más que ubicar los caminos de longitud dos que nacen en el nodo 4, y como puede observarse son dos y llegan hasta los nodos 2 y 1, respectivamente. Esta misma información puede obtenerse en . Sin embargo, con esteA2 procedimiento, que consiste en ubicar cada uno de los sucesores inmediatos del nodo sucesor a uno dado, se está adicionando una longitud más (potencia siguiente de );Ir pero evitando calcular las potencias de que requieren más memoria (más datos aA almacenar) y mayor tiempo de cómputo. Completando el procedimiento, se obtiene:
  • Cap. IV - Pág. 169 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Ir 2 1 5 2 6 3 5 4 1 4 2 5 4 5 3 6 2 6 1 Aplicamos la misma técnica y obtenemos . Antes conviene reiterar que lasIr 3 filas de contienen la información de todos los caminos de longitud dos que seIr 2 encuentran en el grafo (por ejemplo, 1  4  5). Esta es la misma información contenida en . Para obtener se procede según vimos tomando, por ejemplo, elA2 Ir 3 primer valor en (primer fila = 1) y se recorren los correspondientes sucesores delIr 2 nodo colocado a la derecha, en este caso 5. Este nodo figura en la quinta fila de .Ir Allí tenemos a la derecha 1. También en la matriz figura en la sexta fila con 2 a laIr derecha. Ambos pares forman parte de , según vimos. Cuando se obtienen en unaIr 3 fila valores iguales en las dos columnas, esto equivale al proceso en el cual un elemento de la matriz de adyacencias tiene un uno en la diagonal o lo que es laA mismo, existe un camino que nace y termina en el nodo en cuestión. El proceso completo nos da el siguiente resultado: Ir 3 1 1* 1 2 2 5 3 1 3 2 4 4* 4 3 5 5* 5 6 6 3 6 4 Aquí obtenemos, además de los caminos de longitud 3, tres nodos (*) que pertenecen a un camino cíclico de longitud 3. El algoritmo prosigue luego asignando
  • Cap. IV - Pág. 170 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura IV.40: Detección de ciclos en el grafo de la Figura (IV.39). los nodos a un pseudonodo (llamémosle 1) que los engloba . Luego se reemplaza en Ir por 1 para luego iniciar nuevamente el proceso. Entonces nos queda (donde elIr,2 subíndice 2 indica que detectamos un ciclo y comenzamos una segunda iteración del método): Ir,2 1 1 2 3 2 3 3 6  3 6 1 1 1 2 1 1 6 1 1 2 6 1 Los valores iguales en ambas columnas se eliminan porque no aportan información adicional. Comenzamos por eliminar nodos de entrada y salida. En este caso no existen. Luego, como se ha explicado, se obtiene y las sucesivasI 2 r,2 potencias: 2 6 2 1 2 2* 3 1 3 2 3 3* 1 3 1 6 1 1* 6 2 6 3 6 6* I 2 r,2 I 3 r,2 I 4 r,2 Luego, encontramos en un ciclo de longitud 4. Si reemplazamos losI 4 r,2 nodos por un pseudonodo, tendremos un sólo nodo en la matriz , por lo que elIr,3 mismoserádeentrada/salidayelprocesohabráfinalizado.Gráficamentepodemosver los sucesivos pasos (detección de ciclos) según la Figura (IV.40).
  • Cap. IV - Pág. 171 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Luego, en la Figura (IV.40) puede observarse que se obtienen los ciclos y un orden de resolución. No obstante, sabemos que para resolver cada ciclo hay que designar una corriente iteradora. El criterio para decidir una de ellas no se obtiene de este algoritmo. En síntesis, el algoritmo podría resumirse de la siguiente manera:  Eliminar los nodos de entrada y salida (obtener ).Ir  Se calculan las sucesivas potencias de . Para ello se recurre al expedienteIr de reemplazar los sucesores de los nodos en la matriz a elevar por los sucesores de los mismos (en el grafo, o en ), colocándolos en la matrizIr resultado. Si hubiese más de un sucesor, se debe proceder para cada uno de ellos.  Se verifican las igualdades en la matriz potencia . Si existen p igualdades,Ir p se ha detectado un ciclo de longitud de camino p. No obstante, pueden detectarse más de un grupo de igualdades. Esto es porque puede existir más de un ciclo de longitud p. Las igualdades serán siempre un número múltiplo de p, ya que no pueden existir caminos (ciclos) detectados a esta altura de longitud distinta de p. Aquí cabe mencionar que pueden darse casos particulares de ciclos contenidos en otros, ciclos que compartan algunos nodos o ciclos independientes entre sí. Luego; para identificar estos ciclos especiales los autores (Norman, 1965), proponen ciertas modificaciones o estrategias específicas.  Una vez identificado el ciclo se lo reemplaza por un pseudonodo, de tal forma de eliminar en toda referencia a los nodos individuales que loIr componen.  Con esta nueva matriz de índices se comienza el algoritmo desde elprincipio.  Se aplica el mismo hasta que la matriz quede vacía. IV.7 RASGADO DEL DIAGRAMA DE FLUJOS O GRAFO El resultado de aplicar los algoritmos de particionado es detectar los ciclos, de tal manera de transformar el grafo original en una secuencia lineal. Esta secuencia puedetenersubgrafoscíclicos.Luego,sedeberáresolvercadasubproblema(linealizar un grafo cíclico). La técnica de rasgado consiste en detectar las corrientes de corte que permitan que cada subgrafo cíclico pueda ser resuelto, esto es, detectar las corrientes de corte que permitan que cada subgrafo cíclico pueda ser solucionado mediante una técnica iterativa. Asignar una corriente de corte es similar a definir una nueva corriente de entrada a la planta, sólo que sus valores son supuestos y sirven para generar una secuencia que permita resolver todas las ecuaciones del sistema, tantas veces como
  • Cap. IV - Pág. 172 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 8 4 1 5 2 3 6 7 11 1 2 4 3 5 7 9 10 8 6 Figura IV.41: Diagrama de flujos de la Figura (IV.39) con corrientes de corte (se indican C) para linealizar ambos ciclos. sea necesario hasta lograr convergencia. Por ejemplo, si en la Figura (IV.39) tomamos como corrientes de corte (una por cada ciclo) las indicadas como 2 y 8 nos queda el grafo de la Figura (IV.41). A partir de dichas corrientes, seleccionados los valores iniciales para el vector de variables y asociadas a las respectivas corrientes, se procede a calcularxi 2 xi 8 secuencialmente los nodos, según: y del nodo 5, ya que disponemos del valor y (supuestos o iniciales).x1 5 x1 3 xi 2 xi 8 del nodo 1, ya que conocemos .x1 4 x1 3 del nodo 8, ya que la corriente 11, de entrada, se asume conocida.x1 1 del nodo 2, ya que disponemos de .x1 6 x1 5 del nodo 3, ya que disponemos de .x1 7 x1 6 del nodo 6, ya que conocemos .x1 8 x1 7 del nodo 7.x1 10 Si bien obtuvimos todos los valores asociados a las variables de todas las corrientes, éstos pertenecen a la primera iteración. Debe ahora verificarse si los valores calculados y coinciden con los supuestos y dentro del margen dex1 2 x1 8 xi 2 xi 8 error especificado. Si lo hacen, finaliza el cálculo. De lo contario, y aplicando algunas de las técnicas vistas anteriormente (por ejemplo sustitución directa, Wegstein, etc.) se proponen nuevos valores, generando una secuencia tal que finaliza cuando se
  • Cap. IV - Pág. 173 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 obtiene el criterio de error deseado. Nuevamente, aquí observamos que si bien es simple identificar las corrientes de corte en un grafo sencillo como el de la Figura (IV.39), no resulta equivalente analizar uno con cientos de nodos y/o corrientes. Luego, se necesita un método sistemático, implementable en computadora, que permita tal selección. El primer problema que se presenta es encontrar un criterio con el cual guiar la búsqueda. En efecto, dado que se trata de un particionado de ecuaciones , lo lógico resultaría pensar en un criterio que miminice el esfuerzo de cálculo. De manerasimilar a los problemas discutidos en los Capítulos I y II, no existen tales criterios o lineamientos sin conocer en detalle el problema a resolver; por ejemplo, el número de variables asociadas a la resolución de cada nodo y corriente, el grado de dificultad asociado a la resolución de cada nodo en particular, etc. El problema es que el algoritmo debe tratar casos generales, por lo que debiéramos obtener criterios universales. Si suponemos que todas la corrientes poseen la misma cantidad de variables, es lógico pensar que debemos buscar el mínimo número de corrientes de corte para linealizar el ciclo (debido a que ello implica el mínimo número de variables iteradoras). Sin embargo, no está demostrado que un número mayor de corrientes de corte implique mayor esfuerzo de cómputo. No obstante, podemos asumir que así será en la mayoría de los casos. Otro problema radica en conocer la certeza que tenemos acercadelasolución (o el conocimiento que se dispone del proceso que se modela) para proponer un adecuado valor inicial. Esto implica que el algoritmo debería permitir que el usuario le introduzca pesos penalizando ciertas corrientes y favoreciendo otras, de tal manera de recorrer las alternativas considerando tales criterios (recordar las funciones de evaluación discutidas en el Capítulo I). A continuación se discutirán algunos métodos clásicos, sugiriendo ampliar el tema al lector interesado mediante la bibliografía citada y recomendada al final del capítulo. IV.8 ALGORITMO DE BARKELEY Y MOTARD (1972) ElalgoritmopropuestoporBarkeleyyMotardtienecomoobjetivoelrasgado de los subgrafos cíclicos para obtener un conjunto de corte con el menor número de corrientes iteradoras. Este algoritmo se basa en el concepto de grafo de corrientes (S) o grafo dual al ya visto. Éste se logra intercambiando los roles, esto es, los nodos ahora son las corrientes y los arcos se obtienen a través del flujo de información en el DFI. Nuevamente, se puede hablar de corriente inmediata sucesora o antecesora, razonando ahora sobre el grafo S. Como ejemplo, obtengamos el grafo S correspondiente al diagrama de flujo de información de la Figura (IV.39). Para ello, el primer paso es incorporar tantos nodos como corrientes existan. Luego, se vinculan éstos según el sentido de la información que circula entre las corrientes en el grafo original. Por ejemplo, en la Figura (IV.42) se tienen ahora 11 nodos, ya que en la Figura (IV.39) existen 11
  • Cap. IV - Pág. 174 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 11 1 2 3 4 6 8 5 7 9 10 Figura IV.42: Grafo de corrientes asociado al diagrama de flujo de información de la Figura (IV.39). corrientes. Además, vemos que la corriente 11 es antecesora inmediata de la corriente 1 y la corriente 1 lo es de 2. De esta manera, recorriendo todas las corrientes y sus vinculaciones, se logra el grafo S representado en la Figura (IV.42). Es evidente que al manipular el grafo S ahora lo hacemos sobre las corrientes (nodos), y dado que lo que buscamos son las corrientes de corte, se comprende la utilidad de la transformación del algoritmo propuesto por Barkeley y Motard. Los autores introducen, para operar en el grafo, el concepto de nodo dominado. En efecto, se dice que un nodo cualquiera ni en S es dominado por otro nj si nj es el único antecesor inmediato de ni. Luego, los autores proponen un proceso de reducción de S mediante el procedimiento de englobar (engullir o fundir) los nodos dominados por sus dominantes sin perder la información en el grafo S. Por ejemplo, el nodo 1 es dominado por el 11, el 4 lo es por el 3 y el 7 por el 6. Si procedemos a la reducción, nos queda el grafo indicado en la Figura (IV.43). Como vemos, la secuencia de procedimientos es sumamente sencilla, y fácil de programar computacionalmente, dado el grafo S como dato. La forma de programación dependería de las facilidades del lenguaje a utilizar. Si asignamos pesos o preferencias a ciertos nodos, el algoritmo y su implementación computacional se complican ligeramente.
  • Cap. IV - Pág. 175 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 11 2 3 6 8 5 9 10 Figura IV.43: Grafo S reducido luego del proceso parcial de fusión. 11 3 2 5 6 Figura IV.44 Este procedimiento puede proseguirse hasta encontrar un estado en el cual un nodo se enlace a si mismo, esto es, (luego del proceso de reducción) sea dominado por si mismo. En la Figura (IV.44) se muestra el estado del grafo anterior luego de proceder a las asignaciones 10  9, 9  6 y 8 6. Luego, haciendo 6  5 tenemos la Figura (IV.45). Vemos que no puede reducirse más el grafo S, ya que el nodo 2 tiene más de un antecesor, el 11 y el 3. Y lo mismo sucede con 5. Aquí se introduce un nuevo concepto, el de autociclo, que es precisamente la particularidad que presenta el nodo 5 que están en ciclo con él mismo, al ser antecesor y sucesor de sí mismos simultáneamente. Este hecho está íntimamente relacionado con la definición de rasgado o corriente de corte, ya que justamente, por definición de los módulos que componen el diagrama de flujo de información, cada corriente puede ser calculada sólo si se conocen las entradas al equipo (nodo) del cual sale. Traduciendo al grafo S, por la forma en que se ha obtenido, si una corriente forma un autociclo, esto implica
  • Cap. IV - Pág. 176 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Figura IV.45 Figura IV.46: Ciclos de dos corrientes. que no puede calculársela en el DFI si no se conoce su valor previamente, o lo que es lo mismo, si no se procede al rasgado del ciclo al cual pertenece. Volviendo a nuestro ejemplo, esto implica que la corriente 2 y 5 conforman un conjunto de corrientes de corte de tamaño mínimo. Como puede deducirse en función del proceso de reducción, no necesariamente el conjunto (2,5) es elúnico resultado, ya que se podrían obtener otros (se deja al lector la prueba). Previamente propusimos al conjunto (2,8) para el DFI de la Figura (IV.39), que a los efectos prácticos (asumiendo que todas las corrientes tienen la misma cantidad de variables, y no disponiendo de ninguna otra información del problema específico), resultará equivalente al conjunto (2,5). Obviamente una vez logradas las corrientes iteradoras puede proponerse una secuencia de resolución (ordenamiento) según discutimos anteriormente. Aligualquelosotrosalgoritmos,existensituacionesespecialesoparticulares que deben ser contempladas. Por ejemplo, sea la situación siguiente (ver Figura (IV.46)): Aquí vemos que no existen nodos en los cuales se encuentre un único antecesor, por lo que no pueden ser reducidos (observar que la situación es distinta al caso de la Figura (IV.44)). A este caso se lo llama ciclo de dos corrientes y sólo puede ser resuelto (reducido) cortando una de las corrientes. Si se presentan como en la figura, esto es, una sucesión de varios ciclos, es
  • Cap. IV - Pág. 177 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 conveniente cortar corrientes intermedias que permitan rasgar más de un ciclo simultáneamente. Esto es un principio general. Al igual que en los otros casos, no discutiremos en detalle las particulares situaciones que puedan aparecer, dejando la inquietud para quien desee profundizar este tema a través de la bibliografía recomendada. En forma resumida el algoritmo consiste en los siguientes pasos:  Reducción de los nodos del grafo hasta detectar autociclos o ciclos de dos corrientes.  Elección del conjunto de corrientes de corte, según el criterio expuesto (por ejemplo, en un ciclo de dos corrientes). Si embargo, para su implementación computacional es conveniente trabajar con una lista que contenga la información de los nodos y sus antecesores inmediatos. Por ejemplo, esta lista para el grafo S de la Figura (IV.42) es: Nodo Antecesores Inmediatos 1 11 2 1,4 3 2, 8 4 3 5 2,8 6 5 7 6 8 7 9 7 10 9 En la lista, los nodos con un sólo antecesor inmediato son 1, 4, 6, 7, 8, 9, y 10. Por equivalencia al proceso de fusión del dominado por el dominante, se eliminan de la lista los menciondos nodos, reemplazando los mismos por sus dominantes. En este proceso conviene no considerar las corrientes de entradada.
  • Cap. IV - Pág. 178 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Nodo Antecesores 2 11, 3 5 2, 5 3 2, 5 Vemos que la lista o tabla anterior se corresponde con la Figura (IV.45), mostrando la utilidad del procedimiento, hasta aquí empleado. Luego, se explora si existen en la lista nodos que estén en autociclo. El nodo 5 cumple con esta condición (figurando a la izquierda y derecha en la misma fila). Se selecciona el nodo 5 como corriente de corte ya que aparece en ambos. Luego se lo elimina de la tabla. Nodo Antecesores 2 2 Al eliminar 2 (autociclo), nos queda la lista vacía y las dos corrientes de corte; coincidiendo a su vez con los resultados ya obtenidos anteriormente. IV.9 ETAPA DE ORDENAMIENTO Una vez obtenidos los ciclos y rasgados éstos, debe ordenarse el conjunto de nodos en la forma en que serán resueltos. En general, con la información que proveen los algoritmos ya vistos (los subgrafos cíclicos y las corrientes de corte que los linealizan), es posible por inspección en las listas disponibles (pasos intermedios en cada algoritmo) ordenar los nodos según la secuencia de resolución que imponen las corrientes iteradoras selecionadas. No entraremos aquí en el detalle de programación de dichos algoritmos. Sólo basta mencionar que resultan de una combinación de los ya analizados , con ciertas modificaciones prácticas. Ejemplo: Sea el diagrama de flujos indicado en la Figura (IV.47), que corresponde al proceso de la Figura (IV.48). Se desea conocer cuántas y cuáles corrientes iteradoras deberán utilizarse, considerando que el conjunto de corrientes de corte sea mínimo. En la Figura (IV.48) se denotan con un triángulo los nodos que provienen de sumar o dividir corrientes , sólo para remarcar que los mismos deben estar presentes cuando se representa a la planta en el DFI, ya que sus ecuaciones no deben eliminarse del problema. Respecto al tratamiento, estos nodos son equivalentes obviamente a los anteriormente analizados, por lo que deben procesarse de la misma manera que lo indicado en los ejemplos anteriores.
  • Cap. IV - Pág. 179 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 FiguraIV.47:DFIasociadoalprocesodelaFigura(IV.48).
  • Cap. IV - Pág. 180 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 FiguraIV.48:Esquemagenéricodeunproceso.
  • Cap. IV - Pág. 181 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Acontinuación, sólo se mostrarán los pasos del algoritmo más significativos: Tabla de Nodos y Predecesores Nodos Predecesores 1 41 2 1 3 1 4 2 5 3 6 3 7 5 8 5 9 8 10 8 11 10 15 34 13 35 15 13 16 11 17 17 18 41 18 41 19 41 20 19 21 19 22 41 23 22 24 22 25 23 16 26 25 27 26 28 27 29 29 21 30 24 33 31 30 28 33 21 34 33 24 35 41 34 15 36 20 23 37 41 38 37 40 40 38 31 41 40 37 Se comienza con el método de reducción que consiste en reemplazar
  • Cap. IV - Pág. 182 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 el nodo que solamente tenga una corriente predecesora por su predecesora. El nodo que se reemplaza por su predecesor luego se elimina de la tabla. Por ejemplo, se comienza reemplazando 1 por 41 y eliminando el nodo 1. De esta manera los nodos 2 y 3 (los únicos nodos que contienen a 1) pasan a ser dominados por 41. Así, eliminando 2 por 41, luego 3 por 41 y procediendo sucesivamente de esta forma, se llega a la siguiente tabla o matriz: Nodos Predecesores Nodos Predecesores 1 41 11 41 35 34 2 41 13 35 3 41 15 13 4 41 16 11 17 5 41 17 18 41 6 41 18 41 7 41 19 41 8 41 20 19 9 41 21 19 10 41 22 41 11 41 15 34 23 22 13 35 24 22 15 13 25 23 16 16 11 17 26 25 17 18 41 27 26 18 41 28 27 29 19 41 29 21 20 19 30 24 33 21 19  31 30 28 22 41 33 21 23 22 34 33 24 24 22 35 41 34 15 25 23 16 36 20 23 26 25 37 41 27 26 38 37 40 28 27 29 40 38 31 29 21 41 40 37 30 24 33 31 30 28 33 21 34 33 24 35 41 34 15 36 20 23 37 41 38 37 40 40 38 31 41 40 37 que luego de reducir 13 y 15 por 35, resulta:
  • Cap. IV - Pág. 183 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Nodo s Predecesores 11 41 35 34 16 11 17 17 18 41 18 41 19 41 20 19 21 19 22 41 23 22 24 22 25 23 16 26 25 27 26 28 27 29 29 21 30 24 33 31 30 28 33 21 34 33 24 35 41 34 35 36 20 23 37 41 38 37 40 40 38 31 41 40 37 Se puede observar que se encuentra la corriente 35 que forma parte de un autociclo, entonces ésta resulta ser una corriente de corte. Se elimina de la tabla y se continúa con la reducción. A continuación pasamos a reducir el nodo 18 por 41, luego 19, 20, 21, 22, 23 y 24 por 41; luego de lo cual resulta:
  • Cap. IV - Pág. 184 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Nodo s Predecesores 11 41 34 16 11 41 17 41 41 18 41 19 41 20 41 21 41 22 41 23 41 24 41 25 41 16 26 25 27 26 28 27 29 29 41 30 41 33 31 30 28 33 41 34 33 41 36 41 41 37 41 38 37 40 40 38 31 41 40 37 Eliminando los nodos antes reducidos y reduciendo los nodos 26 y 25 se obtiene:
  • Cap. IV - Pág. 185 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Nodos Predecesores 11 41 34 16 11 41 25 41 16 26 25 27 25 28 25 29 29 41 30 41 33 31 30 28 33 41 34 33 41 36 41 41 37 41 38 37 40 40 38 31 41 40 37 Siguiendo con el proceso de reducción: nodos predecesores 11 41 34 16 11 41 25 41 16 28 25 41 29 41 30 41 41 31 30 28 33 41 34 41 41 36 41 41 37 41 38 37 40 40 38 31 41 40 37 Resultando:
  • Cap. IV - Pág. 186 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 Nodos Predecesores 11 41 41 16 11 41 25 41 16 28 25 41 30 41 31 41 28 34 41 36 41 37 41 38 37 40 40 38 31 41 40 37 Luego, se obtiene: Nodos Predecesores 11 41 16 41 41 25 41 41 28 41 41 31 41 41 36 41 37 41 38 41 40 40 38 41 41 40 41 Aquí aparece la corriente 41 como corriente de corte. Finalmente: Nodos Predecesores Nodos Predecesores 38 40  40 40 40 38 Luego, un conjunto de corrientes de corte para el ejemplo analizado resulta: (35, 41, 40).
  • Cap. IV - Pág. 187 Modelado, Simulación y Optimización de Procesos Químicos Autor: Nicolás J. Scenna y col. ISBN: 950-42-0022-2 - ©1999 2 x 2 1  3 x 2 2  5 x 2 3  ln (x 2 1  x 2 2 ) 0 x 2 1  5 x2  3 x3 e x1 0 4 x 2 1  3 x2  5 x 2 3 e (x 2 1  x2 3) 0 x1  2 x2 1 3 x1 4 x2  3 x3 5 5 x2  3 x3 x4 0 6 x3  3 x4  x5 1 4x5  3 x6