METODOLOGÍA PARA EL DISEÑO RIGUROSO DE PROCESOS QUÍMICOS
MODELOS HÍBRIDOS:
SIMULACIÓN-OPTIMIZACIÓN
Miguel Ángel Navarro Amorós
METODOLOGÍA PARA EL DISEÑO RIGUROSO DE PROCESOS QUÍMICOS
MODELOS HÍBRIDOS:
SIMULACIÓN-OPTIMIZACIÓN
Miguel Ángel Navarro Amorós
INSTITUTO DE INGENIER´IA DE LOS PROCESOS QU´IMICOS
PHD THESIS:
METODOLOG´IA PARA EL DISE ˜ NO RIGUROSO DE PROCESOS QU´IMICOS. MODELOS H´IBRIDOS: SIMULACI ´ ON-OPTIMIZACI ´ ON
Tesis presentada por Miguel ´ Angel Navarro Amor ´ os para el grado de Doctor en Ingenier´ıa Qu´ımica en la Universidad de Alicante
Dirigido por:
Jos ´ e Antonio Caballero Suar ´ ez
Jos ´ e Rub ´ en Ru´ız Femenia
D. JOS´E RUB´EN RUIZ FEMENIA, Ayudante Doctor de Ingenier´ıa Qu´ımica de la Univer- sidad de Alicante
CERTIFICAMOS:
Que D. MIGUEL ´ANGEL NAVARRO AMOR ´OS, Ingenier´ıa Qu´ımica, ha realizado bajo nuestra direcci ´on, en el Instituto de Ingenier´ıa de Procesos Qu´ımicos, de la Universidad de Alicante, el trabajo que con el titulo “METODOLOG´IA PARA EL DISE ˜NO RIGUROSO DE PROCESOS QU´IMICOS. MODELOS H´IBRIDOS: SIMULACI ´ON-OPTIMIZACI ´ON” constitu- ye sus memoria para aspirar al grado de Doctor en Ingenier´ıa Qu´ımica
Y para que conste a los efectos oportunos firmamos el presente Certificado en Alicante, 2 de Septiembre de 2013
Fdo. Dr. Jos ´e Antonio Caballero Su ´arez Fdo. Dr. Jos ´e Rub ´en Ruiz Femenia
resolver´ıa la mayor´ıa de los problemas del mundo Mahatma Gandhi
Al final todo llega. Qui ´en iba a decir hace apenas un a˜no que esto acabar´ıa, en ese corto espacio de tiempo he concluido mi carrera, un m ´aster y ahora, por fin, mi doctorado. Una nueva etapa de mi vida concluye, una etapa ilusionante y maravillosa, que no habr´ıa sido posible sin la ayuda de numerosas personas a las que quiero agradecer todo el apoyo, ´animos y ayuda recibida.
En primer lugar, me gustar´ıa dar las gracias especialmente a mis directores de tesis, Jos ´e Antonio Caballero y Rub ´en Ruiz. Nunca podr ´e agradecerles todo el apoyo reci- bido, su ayuda y comprensi ´on a lo largo de todo este periodo. Sin ellos, este trabajo no habr´ıa sido posible. Much´ısimas Gracias.
Tambi ´en me gustar´ıa agradecer a todos los compa˜neros del departamento y del instituto. Durante estos 3 a˜nos, he tenido la maravillosa oportunidad de conocer a numerosas personas. Personas como Blanca, Gloria, Nacho, Juan Javaloyes, Agust´ın, Raquel, Mª Dolores, Dani, Noelia, Mª Jos ´e, Nando, etc. . . (y much´ısimas otras que no nombro porque no acabar´ıa), que han hecho que estos a˜nos hayan pasado sin dar- me cuenta. No me quiero olvidar, de las chicas del s ´otano de Ciencias (Luc´ıa, Mila, Isa, Desi, Erika y Vero), por permitirme, sin poner pega alguna, desayunar todas las ma˜nanas con ellas. Pero en especial, quiero agradecer a Adriana Pineda, mi eterna compa˜nera del zulo del CTQ, aquella con la que m ´as tiempo he pasado durante estos a˜nos, gracias por tu alegr´ıa y tu ayuda durante todos estos a˜nos.
No quiero ni puedo olvidarme de agradecer y dedicar este doctorado a toda mi familia, en especial mis padres, Angel y Rosa, dos de las personas m ´as importantes en mi vida. Much´ısimas gracias por todo, por haberme ense˜nado que con trabajo y dedicaci ´on todo se puede conseguir. Sin su apoyo, sus sacrificios y su amor desintere- sado esto ser´ıa solo una fantasia. Much´ısimas gracias, siempre estar ´e en deuda con vosotros.
Y finalmente, quiero agradecer y dedicar especialmente este trabajo a la perso- na m ´as importante de mi vida. La persona que hace que me despierte y me acues- te cada d´ıa con una sonrisa, aquella que hace que todo sea mucho m ´as sencillo.
Much´ısimas gracias por todo tu apoyo, ayuda, comprensi ´on, cari˜no, ´animo, etc. . . , las palabras se quedan cortas para agradecerte tanto. Te quiero much´ısimo Vicky.
Muchisimas gracias a tod@s
1. Resumen 1
2. Estructura de la Memoria y Objetivos 11
3. Introducci ´on 15
3.1. Energ´ıa en el Mundo . . . 17
3.1.1. Situaci ´on energ ´etica actual . . . 18
3.1.2. Futuro de la Energ´ıa vs. Cambio Clim ´atico . . . 22
3.1.3. Principales Mejoras Energ ´eticas . . . 26
3.2. Simuladores de Procesos . . . 29
3.2.1. Revisi ´on Hist ´orica . . . 32
3.2.2. Arquitectura de los Simuladores Qu´ımicos . . . 34
3.2.2.1. Clasificaci ´on . . . 34
3.2.3. Simulador Modular-Secuencial . . . 38
3.2.4. Ventajas e inconvenientes de un simulador secuencial modular . . 47
3.3. S´ıntesis y Dise˜no de procesos . . . 49
3.3.1. Metodolog´ıas en la S´ıntesis de Procesos . . . 49
3.3.1.1. M ´etodos basados en reglas heur´ısticas . . . 50
3.3.1.2. M ´etodos basados en programaci ´on matem ´atica . . . 53
3.3.1.3. M ´etodos h´ıbridos . . . 56
3.3.2. Principales Avances en la S´ıntesis de Procesos Qu´ımicos . . . 57
3.3.3. Prospectivas de la S´ıntesis de Procesos . . . 60
3.4. Programaci ´on matem ´atica en la s´ıntesis de procesos . . . 69
3.4.1. Programaci ´on Lineal . . . 69
3.4.2. Programaci ´on No Lineal . . . 71
3.4.3. Programaci ´on Lineal Mixta con Variables Enteras y Continuas . . . 75
3.4.4. Programaci ´on No Lineal Mixta con Variables Enteras y Continuas . 77 3.4.5. Programaci ´on General Disyuntiva . . . 80
3.4.5.1. M ´etodos de Resoluci ´on para Problemas GDP . . . 82
3.4.6. Algoritmos computacionales . . . 94
4. Resultados 105 4.1. Publicaci ´on I: Strategies for the robust simulation of thermally coupled distillation sequences . . . 109
4.1.1. Introduction . . . 113
4.1.2. Application of the proposed simulation strategy: “acyclic system simulation´´ . . . 115
4.1.3. Examples and results . . . 120
4.1.3.1. Separations of three component mixtures . . . 120
4.1.3.2. Difficult separations of three component mixtures . . . 125
4.1.4. Conclusions . . . 131
4.2. Publicaci ´on II: A new technique for recovering energy in thermally coupled distillation using vapor recompression cycles . . . 137
4.2.1. Introduction . . . 141
4.2.2. Inefficiency in thermally coupled distillation systems . . . 144
4.2.3. Vapor recompression and reverse vapor recompression cycles in thermally coupled distillation . . . 147
4.2.4. Examples and implementation details . . . 153
4.2.4.1. Example 1. VRC . . . 154
4.2.4.2. Example 2: RVRC . . . 159
4.2.5. Conclusions . . . 163
4.3. Publicaci ´on III: An alternative disjunctive optimization model for heat in- tegration with variable temperatures . . . 173
4.3.1. Introduction . . . 176
4.3.2. Problem statement . . . 181
4.3.3. Simultaneous heat and process optimization: model formulation . . 181
4.3.3.1. Implicit ordering of temperatures . . . 183
4.3.3.2. Heat transfer within each temperature interval . . . 187
4.3.3.3. Transshipment model . . . 193
4.3.3.4. Logical relationships relating reordering and heat exchan- ge binary variables . . . 195
4.3.3.5. Logical relationships involving heat exchange intervals . . 198
4.3.3.6. Preprocessing . . . 199
4.3.3.7. Final remarks, extensions and performance of the disjun-
ctive model . . . 201
4.3.4. Examples and results . . . 203
4.3.4.1. Process with fixed streams conditions (MILP) . . . 204
4.3.4.2. Process with variable stream conditions (MILP) . . . 205
4.3.4.3. Heat integration of distillation columns (MINLP) . . . 209
4.3.4.4. Hybrid simulation-optimization process (MINLP) . . . 211
4.3.5. Conclusions . . . 214
4.4. Anexo I: Integration of different models in the design of chemical proces- ses: Application to the design of a Power Plant . . . 217
4.4.1. Introduction . . . 219
4.4.2. Modeling framework . . . 226
4.4.3. Logic Based Algorithms . . . 230
4.4.3.1. Initial and primal subproblems . . . 232
4.4.3.2. Master subproblem . . . 233
4.4.4. Case Study . . . 234
4.4.5. Examples . . . 251
4.4.6. Conclusions . . . 259
4.5. Anexo II: Integration of modular process simulators under the Generalized Disjunctive Programming framework for the structural flowsheet optimiza- tion . . . 265
4.5.1. Introduction . . . 267
4.5.2. Problem statement . . . 271
4.5.3. Methodology . . . 271
4.5.3.2. Connection between Matlab and Aspen Hysys . . . 279
4.5.3.3. Connection between Matlab and Optimizer . . . 280
4.5.4. Case Study . . . 281
4.5.5. Results . . . 291
4.5.6. Conclusions . . . 294
5. Conclusiones 301 6. Contribuciones Cient´ıficas 309 6.1. Publicaciones . . . 311
6.2. Libros . . . 311
6.3. Asistencia a Congresos . . . 312
6.4. Contribuciones a Congresos . . . 312
3.2.1. Tipos de propiedades fisicoqu´ımicas en un simulador de procesos qu´ımi-
cos . . . 42
3.2.2. Principales Modelos Termodin ´amicos disponibles en los simuladores co- merciales . . . 43
3.2.2. Principales Modelos Termodin ´amicos disponibles en los simuladores co- merciales . . . 44
3.2.2. Principales Modelos Termodin ´amicos disponibles en los simuladores co- merciales . . . 45
3.4.1. Transformaci ´on de operadores l ´ogicos a restricciones MILP . . . 85
3.4.2. Esquema Reformulaciones M-Grande y Envolvente Convexa de un Pro- blema Lineal . . . 91
3.4.3. Esquema Reformulaciones M-Grande y Envolvente Convexa de un Pro- blema No Lineal . . . 92
4.1.1. Characteristics of different feeds to each column . . . 120
4.1.2. Characteristics of short cut columns and conventional columns . . . 124
4.1.3. Results obtained with systems 3 compounds . . . 124
4.1.4. Results of difficult separation systems with 3 compounds . . . 128
4.1.5. Results for the systems with 4 compounds . . . 131
4.2.1. Specifications for the hot and cold utilities . . . 154
4.2.2. Streams specifications for the separation system . . . 155
4.2.3. Conventional Petlyuk Distillation column: Capital & Energy Cost . . . 156
4.2.4. Conventional Petlyuk Distillation with VRC: Capital and Energy Cost . . . 157
4.2.5. Specifications for the streams in the separation system . . . 159
4.2.6. Conventional Petlyuk Distillation column: Capital and Energy Cost . . . . 160
4.2.7. Conventional Petlyuk Distillation with RVRC: Capital and Energy Cost . . 160
4.3.1. Test problem 1 (fixed temperatures) . . . 204
4.3.2. Results test problem 1 (fixed temperatures) . . . 205
4.3.3. Test problems 2–4 (variable temperatures) . . . 206
4.3.4. Results test problems 2–4 (variable temperatures) . . . 207
4.3.5. Parameters solution test problems 2–4) . . . 208
4.3.6. Flows and temperatures of problem columns . . . 210
4.3.7. Solution of problem columns . . . 211
4.3.8. Molar Flow rate of the feed (kmol/h) . . . 212
4.3.9. Bounds, constraints and solution of the natural gas problem . . . 213
4.4.1. Summary of operating parameters . . . 238
4.4.2. Utilities Data . . . 239
4.4.3. Data for examples . . . 251
4.4.4. Results for example 1 . . . 253
4.4.5. Numerical statistics for the three instance . . . 254
4.4.7. Results for example 2 . . . 258
4.5.1. Temperature and pressure dependence of the carbon monoxide and carbon dioxide equilibrium conversions . . . 283
4.5.2. Synthesis gas streams data . . . 284
4.5.3. Computational Results . . . 292
4.5.4. Results: Characteristic of equipment in optimal configuration . . . 293
3.1.1. Evoluci ´on consumo energ ´etico mundial [1] . . . 18
3.1.2. Distribuci ´on del consumo mundial de energ´ıa . . . 19
3.1.3. Consumo Energ ´etico Mundial en los ´ultimos 20 a˜nos . . . 19
3.1.4. Consumo Energ ´etico Mundial detallada en 2011 . . . 21
3.1.5. Consumo per c ´apita (Tep) en 2011 [2] . . . 22
3.1.6. Concentraciones CO2(ppm) en cada uno de los escenarios . . . 25
3.1.7. Calentamiento Global en cada uno de los escenarios . . . 26
3.2.1. Problemas en Ingenier´ıa de Procesos: a) Dise˜no, b) Simulaci ´on, c) Opti- mizaci ´on . . . 31
3.2.2. Esquema de operaci ´on de un simulador modular-secuencial . . . 41
3.2.3. Esquema de c ´alculo en cada uno de los equipos . . . 47
3.3.1. Representaci ´on esquem ´atica simplificada de un problema de s´ıntesis . 50 3.4.1. Ejemplo de Regi ´on Convexa y No Convexa . . . 72
3.4.2. Esquema del algoritmo de Aproximaciones Exteriores . . . 79
3.4.3. Representaci ´on de la relajaci ´on utilizando M-Grande y Envolvente Con- vexa . . . 93
4.1.1. (a, b and e) Equivalent configurations. (c, d and f) Equivalent configu- rations . . . 116
4.1.2. Petlyuk configuration and the thermodynamically equivalent divided wall column . . . 117 4.1.3. Details of the connection between columns, “cyclic system simulation´´ 118 4.1.4. Details of the connection between columns, “acyclic system simulation´´119 4.1.5. Residue curve maps of the four component systems studied: (a) i-butane,
n-butane, cyclobutane; (b) n-hexane, n-heptane, n-octane; (c) benze- ne, toluene, p-xylene; (d) methanol, ethanol, butanol . . . 121 4.1.6. Calculation of tray columns using “short cut distillation” . . . 122 4.1.7. Simulations of (a) acyclic and (b) cyclic system configurations . . . 123 4.1.8. Comparison of flows for BTX separation: (a) liquid flow-column 1; (b) va-
por flow-column 1; (c) liquid flow-column 2; (d) vapor flow-column 2 . . 125 4.1.9. Residue curve map (azeotropic mixture) . . . 126
4.1.10. Simulations of acyclic (a) and cyclic (b) system configurations (azeotro- pic mixture) . . . 127 4.1.11. Curve residue map acetone–acetic acid–acetic anhydride (AAA) . . . 128 4.1.12. Comparison of flows for AAA separation: (a) liquid flow-column 1; (b)
vapor flow-column 1; (c) liquid flow-column 2; (d) vapor flow-column 2 . 129 4.1.13. Thermodynamically equivalents configurations-system 4 compounds: (a)
configuration 1; (b) configuration 2; (c) configuration 3 . . . 130 4.1.14. Configuration separation system 5 compounds . . . 131 4.1.15. Comparison of flows for 5 compounds separation: (a) liquid flow-column
1; (b) vapor flow-column 1; (c) liquid flow-column 2; (d) vapor flow- column 2; (e) liquid flow-column 3; (f) vapor flow-column 3; (g) liquid flow-column 4; (h) vapor flow-column 4 . . . 132
4.2.2. Equivalent configurations for a thermal coupling . . . 146 4.2.3. Petlyuk configuration with an intermediate reboiler (a) and an interme-
diate condenser (b) . . . 148 4.2.4. Scheme of a standard vapor recompression cycle . . . 149 4.2.5. Scheme of a Vapor Recompression Cycle using the excess of Vapor in
rectifying section of column 3 . . . 150
4.2.6. Scheme of a Reverse Vapor Recompression Cycle using the excess of liquid in the stripping section of column 2 . . . 152 4.2.7. Flowsheet for the simulation of the Petlyuk configuration column . . . 155 4.2.8. Simulation of Petlyuk configuration column with VRC . . . 156 4.2.9. Flowsheet for the direct sequence with and without VRC and for the
indirect sequence . . . 158
4.2.10. Capital cost of equipment and annualized energy and total costs for the distillation systems studied in example 1 . . . 159 4.2.11. Flowsheet for the simulation of the Petlyuk column with RVRC . . . 161 4.2.12. Simulation of indirect sequence with RVRC . . . 162 4.2.13. Annualized capital cost, energy costs and total costs for the distillation
systems studied in example 2 . . . 162
4.3.1. Illustration of ordered temperatures and intervals . . . 187 4.3.2. All the relative positions of a stream in relation to a given temperature
interval . . . 188 4.3.3. Heat cascade diagram . . . 194 4.3.4. Logical relationships for hot streams . . . 197
4.3.5. Minimum and maximum values for the inlet temperatures of hot and cold streams . . . 200
4.3.6. Sharp distillation for separation of a 4-component mixture . . . 209 4.3.7. Process flow diagram for the processing of the natural gas . . . 212 4.4.1. Scheme of the modeling framework . . . 227 4.4.2. Superstructure of the utility system plant. It is possible to include N turbi-
nes in parallel of each class . . . 236 4.4.3. Scheme of the actual implementation of a gas turbine in Aspen-Hysys . 239 4.4.4. Left, calculated and predicted values for the kriging model in the gas
turbine. Right, % kriging error in 500 random points . . . 241 4.4.5. Scheme of the implementation of a Boiler in Aspen Hysys. Dotted line
shows the information flow that is different of mass flow . . . 243 4.4.6. Scheme of a deaerator . . . 248 4.4.7. Optimal solution for case study, instance 1 . . . 252 4.4.8. Optimal solution for case study, instance 2 . . . 257 4.4.9. Optimal solution for case study, instance 3 . . . 259
4.5.1. Scheme of the optimization modeling framework . . . 273 4.5.2. Methanol simplified process flowsheet . . . 281 4.5.3. Superstructure for the Methanol synthesis process in Aspen-Hysys . . . 283 4.5.4. Optimal configuration of the case study . . . 291
Resumen
Cap´ıtulo 1. Resumen
En la civilizaci ´on moderna, la disponibilidad de energ´ıa est ´a fuertemente ligada al nivel de bienestar, a la salud y a la duraci ´on de vida del ser humano. En realidad vivimos en una sociedad que se pod´ıa denominar como “energ´ıvora”. A˜no a a˜no, el consumo energ ´etico mundial marca m ´aximos hist ´oricos, como consecuencia de que las necesidades energ ´eticas de la humanidad no dejan de crecer. El principal motivo se debe a la relativamente nueva industrializaci ´on de pa´ıses densamente poblados como China, Brasil o India, lo que incorpora continuamente millones de nuevos con- sumidores al mercado energ ´etico. Dicha cantidad adicional de energ´ıa, necesaria para suplir el incremento de la demanda mundial, se obtiene en su inmensa mayor´ıa a partir de combustibles basados en el carbono: carb ´on, gas y petr ´oleo. Todo ello provoca que las emisiones de contaminantes a la atm ´osfera (sobretodo pero no so- lamente, de CO2) se incrementen a˜no a a˜no. El aumento de las emisiones supone un importante problema a nivel global y es responsable de numerosas consecuencias como son el continuo calentamiento del planeta, variaciones tanto en las cantidades como los patrones de precipitaci ´on, reducci ´on de los casquetes polares, elevaci ´on del nivel del mar, etc. . . Finalmente, y si no se pone remedio al continuo aumento de dichas emisiones, tendr ´a un impacto directo y a nivel mundial en los recursos h´ıdricos disponibles, la cadena alimentaria, la extinci ´on de animales y plantas y finalmente en la futura existencia de la raza humana.
Hoy en d´ıa existen diferentes alternativas que posibilitar´ıan cumplir con el conti- nuo aumento de las necesidades energ ´eticas sin incumplir el objetivo medioambien- tal, manteniendo o incluso disminuyendo las emisiones atmosf ´ericas. Las opciones m ´as ampliamente estudiadas son el desarrollo y utilizaci ´on de energ´ıas renovables, la instauraci ´on de captura y almacenamiento de CO2o la mejora de la eficiencia energ ´etica [1]. Diversos estudios [2-4] muestran que, con las tecnolog´ıas actuales, la instalaci ´on presente y futura de energ´ıas renovables funcionando a m ´axima capaci- dad no bastar´ıa para proporcionar toda la energ´ıa adicional necesaria para asegurar el crecimiento econ ´omico mundial. Todo ello indica que el principal campo que pue- de llevar a la humanidad al cumplimiento, tanto de los objetivos econ ´omicos como medioambientales, es la mejora de la eficiencia energ ´etica.
1.Resumen
El consumo energ ´etico del sector industrial a nivel global representa aproximada- mente el 28 % del consumo energ ´etico total y dentro de este sector, la industria qu´ımi- ca representa aproximadamente el 20 %. Si se realiza un simple c ´alculo de porcenta- jes, el consumo energ ´etico de la industria qu´ımica en el mundo representa aproxima- damente el 5,6 % de toda la energ´ıa consumida en el mundo. Esto unido al hecho de que la energ´ıa consumida es generada principalmente mediante la combusti ´on de combustibles f ´osiles, hacen que cualquier mejora que permita reducir su consumo energ ´eticos, supondr ´a un importante impacto tanto en el coste econ ´omico como medioambiental global.
El objetivo principal de la presente tesis es el desarrollo de herramientas de simu- laci ´on y optimizaci ´on de procesos qu´ımicos que mejoren la eficiencia energ ´etica de estos. El trabajo desarrollado a lo largo de periodo doctoral puede agruparse en tres grupos:
Herramientas que facilitan la simulaci ´on y mejoran la eficiencia en columnas de destilaci ´on
Un modelo alternativo para la optimizaci ´on simult ´anea y la integraci ´on de ca- lor, que mantiene el concepto de intervalo de la temperatura, para redes de intercambio de calor
Nuevas estructuras de modelado para la optimizaci ´on rigurosa de problemas de s´ıntesis de procesos mediante una combinaci ´on sin ´ergica de simuladores de procesos con la formulaci ´on Disyuntiva Generalizada (GDP)1
La primera parte de esta tesis est ´a compuesta por dos trabajos, cada uno de los cuales ha dado lugar a una publicaci ´on en revistas cient´ıficas internacionales. El primer trabajo de los realizados parte de la idea de mejorar y facilitar la simulaci ´on de secuencias de columnas con acoplamiento t ´ermico (TCD)2. El problema de la simulaci ´on de este tipo de columnas radica en el gran n ´umero de recirculaciones existentes entre las diferentes columnas como consecuencia de los acoplamientos t ´ermicos. Esta caracter´ıstica ralentiza y dificulta considerablemente la simulaci ´on y el
1Acr ´onimo de Ingl ´es “Generalized Disjunctive Problem”) 2Acr ´onimo del ingl ´es “Thermally Coupled Distillation”
estudio de los sistemas TCD, necesit ´andose, en la mayor´ıa de los casos, buenos valo- res iniciales pr ´oximos a la soluci ´on final para converger el sistema. La idea b ´asica para solventar este problema es la de evitar o sustituir la estructura c´ıclica (corrientes recir- culadas) en el diagrama de flujo de los sistemas TCD, por una configuraci ´on ac´ıclica.
La soluci ´on aportada parte de los estudios realizados por Carlberg y Westerberg [5, 6], quienes probaron, utilizando modelos aproximados (M ´etodo de Underwood [7]), que un acoplamiento t ´ermico puede ser sustituido por una ´unica corriente de vapor sobrecalentado o l´ıquido subenfriado en funci ´on de las secciones que conecte. En este trabajo se demuestra que dicha corriente de vapor sobrecalentado o l´ıquido subenfriado puede ser sustituida por dos corrientes una de materia y otra de energ´ıa, de tal forma que se consigue eliminar las corrientes recirculadas en los acoplamien- tos t ´ermicos. Esta nueva configuraci ´on es aplicada a secuencias de columnas TCD para la separaci ´on de diversas mezclas como hidrocarburos, alcoholes, compuestos arom ´aticos, etc. . . . Los resultados obtenidos muestran errores medios por debajo del 2 % para mezclas de 3 componentes, al comparar la configuraci ´on original con la configuraci ´on desarrollada en este trabajo.
El segundo de los trabajo tiene como objetivo el aumento de la eficiencia energ ´eti- ca en una columna TCD. Las columnas TCD presentan diferentes caracter´ısticas que hacen que su funcionamiento, a ´un siendo te ´oricamente la configuraci ´on que mini- miza el consumo energ ´etico del proceso, sea ineficiente en comparaci ´on con las columnas de destilaci ´on convencionales. La idea de este trabajo es la de aumentar la eficiencia energ ´etica de las columnas TCD convirtiendo la ineficiencia inherente de las secuencias TCD -exceso de flujo de vapor/l´ıquido en ciertas secciones como resultado de la transferencia llevada a cabo en los acoplamientos t ´ermicos- en una ventaja, consiguiendo disminuir la energ´ıa y costes del sistema. La estrategia consis- te en extraer el exceso de vapor (l´ıquido) de la secci ´on de la columna que, como consecuencia de los acoplamientos t ´ermicos, opera en condiciones sub ´optimas. La corriente de vapor (l´ıquido) extra´ıda se utiliza en un ciclo de recompresi ´on de vapor (VRC, “Vapor Recompression Cycle”) o un ciclo de recompresi ´on de vapor inverso (RVRC, “Reverse Vapor Recompression Cycle”), reduciendo de esta forma la can- tidad de calor aportado al sistema externamente. Adem ´as, la extracci ´on de la co- rriente (l´ıquida o vapor en exceso) restaura las condiciones ´optimas de funcionamien-
1.Resumen
to de la secci ´on de la columna afectada y consecuentemente reduce el di ´ametro de la columna. Los resultados obtenidos muestran ahorros energ ´eticos y econ ´omicos consecuentes de la aplicaci ´on de esta estrategia entorno un 20-40 %.
Tras la anterior serie de trabajos, el siguiente bloque de la tesis se basa en el desa- rrollo de una estrategia alternativa para la optimizaci ´on simult ´anea y la integraci ´on de calor, manteniendo el concepto de intervalo de la temperatura, para redes de intercambio de calor. Comentar que dicho trabajo tambi ´en ha derivado en un pu- blicaci ´on en revistas cient´ıficas. La gran mayor´ıa de los m ´etodos desarrollados en el campo de integraci ´on energ ´etica asumen que las temperaturas de entrada y salida a una red de intercambiadores de calor son fijas y conocidas a priori. En otras pala- bras, la integraci ´on de calor se lleva a cabo s ´olo despu ´es de haber fijado todas las condiciones de operaci ´on del proceso. Sin embargo, es sabido que la optimizaci ´on simult ´anea de las condiciones del proceso y la integraci ´on de calor puede producir importantes ahorros en el coste total del proceso [8]. Por lo que sabemos, el ´unico trabajo relacionado con la optimizaci ´on e integraci ´on de calor simult ´anea fue desa- rrollado por Duran y Grossmann [8]. La idea de este trabajo surge del hecho de que el modelo de Duran y Grossmann no mantiene el concepto de intervalo de la tem- peratura con la que muchos dise˜nadores se encuentran familiarizados, debido a la prevalencia de la tecnolog´ıa del an ´alisis del pinch. En este apartado se pretende desarrollar una estrategia alternativa para la optimizaci ´on simult ´anea y la integra- ci ´on de calor. La idea b ´asica es llevar a cabo una ordenaci ´on impl´ıcita de todas las temperaturas del sistema, de esa manera los intervalos de temperatura quedan tam- bi ´en impl´ıcitamente definidos. El modelo se compone de tres partes: en la primera, todas las temperaturas de entrada del sistema son impl´ıcitamente ordenadas, en el segundo, se calcula la cantidad de calor intercambiado por cada corriente en cada intervalo de temperatura, y en la tercera, se aplica el modelo de transbordo desarro- llado por Papoulias y Grossmann [9] con el fin de calcular los servicios calientes y fr´ıos a aportar al sistema. Adem ´as se deben a˜nadir un un etapa de preprocesado con el fin de fijar ciertas variables binarias, y un conjunto de relaciones l ´ogicas que reducen considerablemente el espacio de b ´usqueda. Los resultados obtenidos con el nuevo modelo muestran resultados competitivos frente al modelo de Duran y Grossmann.
Finalmente, y como ´ultima parte del trabajo doctoral, se lleva a cabo una serie de trabajos con el fin de desarrollar nuevas estructuras de modelado para la opti- mizaci ´on rigurosa de problemas de s´ıntesis de procesos, utilizando una combinaci ´on de simuladores de procesos junto a la formulaci ´on GDP. Esta investigaci ´on ha dado como resultado dos trabajos actualmente en revisi ´on en revistas internacionales. El primero de los trabajos presenta una estructura de modelado para tratar problemas de s´ıntesis, que incluyen diferentes modelos matem ´aticos para calcular o simular di- ferentes operaciones unitarias. Los avances en el dise˜no, optimizaci ´on y s´ıntesis de procesos qu´ımicos en los ´ultimos a˜nos han sido impresionantes en todos los niveles, desde operaciones unitarias individuales hasta la optimizaci ´on del diagrama de flu- jo completo. Hoy en d´ıa existen numerosos modelos para calcular, dise˜nar o simular pr ´acticamente cualquier proceso qu´ımico. Dentro de los diferentes modelos existen- tes se pueden distinguir entre modelos en forma de ecuaciones, modelos en forma de caja negra con o sin acceso a las derivadas, etc. . . En definitiva, la mejor alter- nativa de dise˜no es la selecci ´on y utilizaci ´on del mejor modelo disponible venga de donde venga independientemente de su forma y caracter´ısticas. Con todo ello, la idea principal del trabajo es el desarrollo de una estructura de modelado que sea capaz de trabajar simult ´aneamente con modelos con comportamiento y tratamien- to num ´erico distintos, de tal forma que se seleccione el mejor modelo en cada caso para cada unidad. En este trabajo toda la estructura de modelado se desarrolla uti- lizando la programaci ´on disyuntiva, porque esta estructura es adecuada para hacer frente a este tipo de problemas, ya que permite encapsular cada modelo y utilizar un enfoque diferente en funci ´on de sus caracter´ısticas. La estructura llevada a cabo utiliza disyunciones para capturar cada uno de los modelos de tal forma que se apro- vechen las ventajas o minimizan los inconvenientes de cada uno. De esta manera es posible utilizar las derivadas algebraicas cuando est ´an disponibles y simult ´aneamen- te implementar m ´etodos robustos para estimar las derivadas de otros modelos sin la necesidad de interferir con el resto de modelos, y de esta forma mejorar el tiempo de c ´alculo computacional. A modo de ejemplo, el modelo es aplicado a una plan- ta de generaci ´on de vapor donde ciertas unidades son calculadas a trav ´es de un simulador de procesos y otras son expl´ıcitamente representadas por ecuaciones. El resultado final es un sistema h´ıbrido que incluye modelos impl´ıcitos procedentes de diferentes fuentes y con diferentes comportamientos num ´ericos.
1.REFERENCIAS
El segundo y ´ultimo trabajo desarrollado presenta un nuevo marco de modelado para tratar los problemas de s´ıntesis. En ´este, las diferentes alternativas del proceso son modeladas en forma de una superestructura, y se resuelve utilizando una combi- naci ´on sin ´ergica de simuladores de procesos comerciales junto a la formulaci ´on GDP.
Hasta donde conocemos, no existe ninguna herramienta para la resoluci ´on de pro- blemas donde la superestructura del proceso queda dibujada directamente sobre la interfaz gr ´afica del simulador de procesos (GUI). La estructura del modelo se cen- tra en construir un problema GDP que es conectado con un simulador de procesos (Hysys Aspen), donde tanto la topolog´ıa como los par ´ametros continuos del proceso son optimizados. Esta metodolog´ıa permite incluir f ´acilmente restricciones y relacio- nes l ´ogicas entre las alternativas, de tal forma que facilite la obtenci ´on de soluciones factibles. La herramienta propuesta utiliza el algoritmo de aproximaciones exteriores basada en la l ´ogica y por lo tanto no es necesario volver a formular el problema co- mo un MINLP. Como ejemplo se presenta la s´ıntesis de una planta de producci ´on de metanol, En este caso se presenta una superestructura que incluye todas las alterna- tivas de inter ´es, incluyendo diferentes alimentos, diferentes sistemas de compresi ´on y diferentes condiciones de reacci ´on.
Referencias
[1] Abadia, J. Energ´ıa y Sostenibilidad. La Energ´ıa y el Medio Ambiente en la Uni ´on Europea.
Inf. t ´ec. ENDESA, 2006.
[2] Nelder, C. Efficiency: The Way to Close the Renewables Gap. Inf. t ´ec. 2009 ASPO-USA Peak Oil Conference, 2009.
[3] Trainer, F.E. Renewable Energy Cannot Sustain a Consumer Society. Springer London, Limi- ted, 2007.
[4] Agency, International Energy. World Energy Outlook 2012. http://www.worldenergyoutlook.
org//. 2012.
[5] Carlberg, N.A. y Westerberg, A.W.((Temperature-heat diagrams for complex columns. 2.
Underwood’s method for side strippers and enrichers)). En: Industrial & Engineering Che- mistry Research 28.9 (1989), p ´ags. 1379-1386.
[6] Carlberg, N.A. y Westerberg, A.W.((Temperature-heat diagrams for complex columns. 3.
Underwood’s method for the Petlyuk configuration)). En: Industrial & Engineering Chemistry Research 28.9 (1989), p ´ags. 1386-1397.
[7] Underwood, A.J.V.((Fractional Distillation of Multicomponent Mixtures)). En: Industrial & En- gineering Chemistry 41.12 (1949), p ´ags. 2844-2847.
[8] Duran, M.A. y Grossmann, I.E.((Simultaneous optimization and heat integration of chemical processes)). En: AIChE Journal 32.1 (1986), p ´ags. 123-138.
[9] Papoulias, S.A. y Grossmann, I.E.((A structural optimization approach in process synthesis II: Heat recovery networks)). En: Computers & Chemical Engineering 7.6 (1983), p ´ags. 707 -721.
Estructura de la Memoria y Objetivos
Cap´ıtulo 2. Estructura de la Memoria y Objetivos
La presente memoria se inicia con una introducci ´on general. en la que se reali- za una peque˜na presentaci ´on de la problem ´atica energ ´etica mundial. Adem ´as se analiza la situaci ´on energ ´etica actual en el mundo y las principales alternativas y mejoras energ ´eticas que pueden conseguir suplir las cada vez mayores demandas energ ´eticas respetando los acuerdos propuestos por el IPCC (International Panel on Climate Change) de tal forma que se llegue a controlar el cambio clim ´atico. A con- tinuaci ´on, y como consecuencia del gran uso de los simuladores comerciales a lo largo de la tesis, se realiza una peque˜na introducci ´on del uso de los simuladores co- merciales, prestando especial atenci ´on a la arquitectura de ´estos. Para acabar esta secci ´on y debido a que los simuladores utilizados durante este trabajo son simuladores modulares-secuenciales se explica el estructura y funcionamiento. Seguidamente, se presenta un peque˜no resumen del campo de la s´ıntesis de procesos qu´ımicos, en el que se describen las diferentes metodolog´ıas desarrolladas a lo largo de la historia y se finaliza con las prospectivas de futuro en este campo. Finalmente, y para concluir la introducci ´on general, se presenta un resumen de la programaci ´on matem ´atica en la s´ıntesis de procesos en el que se comenta brevemente los diferentes tipos de proble- mas a resolver y la metodolog´ıa seguida en cada caso, prestando especial atenci ´on a la programaci ´on disyuntiva generalizada dado su gran peso a lo largo de esta tesis.
Una vez realizada la introducci ´on general, el siguiente cap´ıtulo presenta los re- sultados obtenidos. Estos se presentan en forma de publicaciones, seguidos de un apartado adicional que incluyen los resultados hasta la fecha no publicados. Cada una de las publicaciones va precedida por una peque˜na introducci ´on. Finalmente, el cap´ıtulo 5 de esta memoria corresponde a las conclusiones obtenidas. Comentar qu ´e la bibliograf´ıa utilizada en cada uno de los cap´ıtulos se incluye al final de cada uno de estos.
Los objetivos principales de esta tesis puede dividirse en tres grupos diferentes:
1. Herramientas que facilitan la simulaci ´on y mejoran la eficiencia en columnas de destilaci ´on
2.Estructura y Objetivos
(a) Desarrollo de una nueva estructura de simulaci ´on para secuencias de co- lumnas TCD que elimine las corrientes recirculadas
(b) Desarrollo de una nueva estrategia para aumentar la eficiencia energ ´eti- ca de las columnas TCD, aprovechando la ineficiencia generada por el exceso de flujo de vapor/l´ıquido en ciertas secciones como resultado de la transferencia llevada a cabo en los acoplamientos t ´ermicos
2. Un modelo alternativo para la optimizaci ´on simult ´anea y la integraci ´on de ca- lor, que mantiene el concepto de intervalo de la temperatura, para redes de intercambio de calor
3. Nuevas estructuras de modelado para la optimizaci ´on rigurosa de problemas de s´ıntesis de procesos mediante una combinaci ´on sin ´ergica de simuladores de procesos con la formulaci ´on GDP
(a) Desarrollo de una nueva estrategia de modelado que permita la utilizaci ´on simult ´anea de diferentes modelos num ´ericos para la representaci ´on de las diferentes operaciones unitarias en un diagrama de flujo, de forma que se aprovechen las ventajas de cada uno de ellos
(b) Desarrollo de un nuevo marco de modelado para problemas rigurosos don- de la topolog´ıa del proceso no se encuentre fijada a priori, quedando el proceso representado en forma de superestructura
Introducci ´ on
Cap´ıtulo 3. Introducci ´ on
En la actualidad, la disponibilidad de energ´ıa est ´a fuertemente ligada al nivel de bienestar, a la salud y a la duraci ´on de vida del ser humano. En realidad vivimos en una sociedad que puede ser denominada “energ´ıvora”. En esta sociedad, los pa´ıses m ´as pobres muestran los consumos m ´as bajos de energ´ıa, mientras que los pa´ıses m ´as ricos utilizan grandes cantidades de la misma. Sin embargo este escenario est ´a cambiando de forma dr ´astica. Dicho cambio se acentuar ´a en los pr ´oximos a˜nos, donde ser ´an precisamente los pa´ıses en v´ıas de desarrollo quienes experimenten con mayor rapidez un aumento en su consumo de energ´ıa debido al incremento que tendr ´an tanto en sus poblaciones como en sus econom´ıas.
3.1 Energ´ıa en el Mundo
Desde la aparici ´on del hombre (Homo Sapiens Sapiens), aproximadamente hace 100.000 a˜nos hasta la mitad del siglo XIX, el ser humano se expandi ´o sobre el planeta sin superar los mil millones de habitantes y limitando su consumo energ ´etico a sus necesidades b ´asicas (cocci ´on, calefacci ´on, higiene e iluminaci ´on). Fue a partir de la segunda mitad del siglo XVIII, con la 1º Revoluci ´on Industrial, cuando se produjo el principal cambio energ ´etico en la historia, con la instauraci ´on del modelo energ ´etico industrial (Figura 3.1.1) [1]. Este cambio se produjo por numerosas causas, pero una fundamental y decisiva: el aprovechamiento de una fuente de energ´ıa primaria, que implic ´o la sustituci ´on de dos fuentes gratuitas y de uso libre, como el agua y el viento, por otra de car ´acter comercial, como el carb ´on industrial. Con ello se intensific ´o el consumo de combustibles f ´osiles, principalmente el consumo de carb ´on, ya que por aquella ´epoca el petr ´oleo era apenas utilizado extray ´endose de campos de Baku (Azerbajan) y Alsacia (Francia).
A mediados del siglo XIX se producen una serie de descubrimientos que revolu- cionan la vida del hombre como son el descubrimiento del electromagnetismo o el invento de la turbina y el motor de combusti ´on interna. En distintas partes del mundo comienza la moderna industria de extracci ´on de petr ´oleo: F.N. Semyenov en Asphe-
3.1.Energ´ıa en el Mundo
Figura 3.1.1: Evoluci ´on consumo energ ´etico mundial [1]
ron,Baku (1844), I.Lukasiewicz en Bobrka, Polonia (1858) y E.Drake en Titusville, Pensil- vania (1859).
´Estas, junto a muchas otras mejoras tecnol ´ogicas, derivaron en la gran explosi ´on energ ´etica experimentada a principios del siglo XX, siendo la energ´ıa el principal im- pulsor del desarrollo industrial y facilitador de gran parte de las actividades humanas.
Durante el siglo XX la producci ´on de electricidad creci ´o desde cero hasta alcan- zar los 15.000 TWh en el a˜no 2000. El petr ´oleo y el consumo de derivados llega a las 3.500 MTep1(millones de toneladas equivalentes de petr ´oleo) y la poblaci ´on mun- dial crece de 1.600 millones de habitantes en 1.900 a 7.000 millones de habitantes en 2011. Concretamente en el a˜no 2011, el consumo energ ´etico global se estableci ´o en 12.274 MTep [2]. La distribuci ´on de los fuentes energ ´eticas consumidas se muestra la Figura 3.1.2, representando los combustibles f ´osiles el 87 % de la energ´ıa mundial con- sumida.
3.1.1. Situaci ´ on energ ´ etica actual
El consumo energ ´etico mundial se increment ´o un 2,5 % en el a˜no 2011, pasando de 11.978 MTep hasta 12.274 MTep (Figura 3.1.3), localiz ´andose principalmente dicho
11 Tep equivale a 41.87·106kJ
Figura 3.1.2: Distribuci ´on del consumo mundial de energ´ıa
aumento en las econom´ıas emergentes, representando China por si sola el 71 % de dicho crecimiento. El conjunto de pa´ıses pertenecientes a la OCDE present ´o una disminuci ´on del 0,8 % en su consumo energ ´etico, por el contrario los pa´ıses no perte- necientes a la OCDE presentaron un incremento del 5,3 %.
Figura 3.1.3: Consumo Energ ´etico Mundial en los ´ultimos 20 a˜nos
Actualmente, el mundo se encuentra inmerso en un estado excepcionalmente inestable, tanto pol´ıtica como medioambientalmente, lo que provoca la aparici ´on
3.1.Energ´ıa en el Mundo
de una nueva situaci ´on energ ´etica mundial, con repercusiones directas en todos y cada uno de los recursos energ ´eticos.
La “Primavera ´Arabe”, a principios del 2011, y la Guerra Civil Libia sacudieron enormemente el mercado energ ´etico mundial, principalmente el relacionado con el petr ´oleo. Dichos acontecimientos derivaron en una inmensa reducci ´on del petr ´oleo norteafricano (1,2 millones de barriles/d´ıa aproximadamente) y el consecuente au- mento de la producci ´on en Oriente Medio. Esta incertidumbre en la oferta y princi- palmente la inestabilidad pol´ıtica de la zona produjo que el precio medio anual del barril de petr ´oleo alcanzar ´a un m ´aximo hist ´orico (111,26 $/barril), un 40 % superior al a˜no 2010. Todas estas caracter´ısticas produjeron que el consumo de petr ´oleo creciera
´
unicamente un 0,6 %, el menor de la ´ultima d ´ecada [3].
Por otro lado, el accidente de Fukushima tambale ´o el concepto de seguridad en la energ´ıa nuclear, no s ´olo en Jap ´on sino a nivel mundial. Todo ello deriv ´o en una reducci ´on dr ´astica de la energ´ıa nuclear (-4,3 %), especialmente localizada en Jap ´on (44 %) y Alemania (23 %).
El consumo de carb ´on se increment ´o un 5,4 % respecto al a˜no 2010, suponien- do dicha cifra el mayor incremento registrado en la historia, llegando a representar el 30,3 % del consumo energ ´etico mundial. Este importante aumento tiene como causa, el hecho de que el carb ´on es el combustible seleccionado mayoritariamente para cubrir el incremento anual de la demanda energ ´etica. Ello es debido a que de todos los combustibles f ´osiles, el carb ´on es por mucho el m ´as abundante en el mundo y el mejor distribuido geogr ´aficamente, pudiendo encontrarse en m ´as de 100 pa´ıses en todos los continentes. Este hecho ha llevado a que el carb ´on sea la principal fuente energ ´etica elegida para cubrir el incremento de la demanda energ ´etica, especial- mente en los pa´ıses en v´ıas de desarrollo (principalmente China e India).
Por otro lado, el mercado del gas natural se increment ´o un 2,2 % a nivel mundial.
Como en el resto de fuente energ ´eticas, el pa´ıs donde m ´as creci ´o el consumo fue en China (21,5 %), seguido de Arabia Saudi (13,2 %) y Jap ´on (11,6 %). Adem ´as, la pro- ducci ´on de gas natural en Estados Unidos se increment ´o sustancialmente en el ´ultimo a˜no (7,7 %) inducido por tecnolog´ıas de exploraci ´on-producci ´on que est ´an liberando petr ´oleo ligero en formaciones compactas y gas de esquisto. Todo ello est ´a espo-
leando la actividad econ ´omica -con el abaratamiento de los precios del gas y de la electricidad que ofrecen un margen competitivo a la industria. Finalmente es impor- tante comentar la fuerte reducci ´on del consumo de gas natural en la Uni ´on Europea (9,9 %). Dicha reducci ´on se debe principalmente a la crisis econ ´omica, los altos pre- cios del gas importado y el crecimiento de las energ´ıas renovables.
Estas ´ultimas lograron un incremento global del 17.7 %, bas ´andose principalmente en la energ´ıa e ´olica con un aumento del 25.8 %, representando ´esta m ´as de la mitad de la producci ´on de energ´ıas renovables. En el caso de la energ´ıa solar se produjo un aumento del 86.3 %, indicando este dato el correcto camino seguido por esta fuente energ ´etica.
Las Figura 3.1.4 y 3.1.5 muestran un resumen de la situaci ´on energ ´etica mundial y su variaci ´on respecto al a˜no 2010, y el consumo energ ´etico per c ´apita en el a˜no 2011, respectivamente.
Figura 3.1.4: Consumo Energ ´etico Mundial detallada en 2011
3.1.Energ´ıa en el Mundo
Figura 3.1.5: Consumo per c ´apita (Tep) en 2011 [2]
3.1.2. Futuro de la Energ´ıa vs. Cambio Clim ´ atico
Las necesidades energ ´eticas de la humanidad no dejan de crecer. La relativa- mente nueva industrializaci ´on de pa´ıses densamente poblados como China, Brasil o India est ´a incorporando millones de consumidores cada a˜no al mercado energ ´etico.
Dicha cantidad adicional de energ´ıa, necesaria para suplir el incremento de la de- manda mundial, se obtiene en su inmensa mayor´ıa a partir de combustibles basados en el carbono: carb ´on, gas y petr ´oleo (Figura 3.1.2). Todo ello provoca que las emi- siones de contaminantes a la atm ´osfera (sobretodo pero no solamente, de CO2) se incrementen a˜no a a˜no. El aumento de las emisiones es responsable de numerosas consecuencias como son el continuo calentamiento del planeta, variaciones tanto en las cantidades como los patrones de precipitaci ´on, reducci ´on de los casquetes polares, elevaci ´on del nivel del mar, aumento del nivel de acidez de los oc ´eanos, etc. . . Finalmente, y si no se pone remedio al continuo aumento de dichas emisio- nes, tendr ´a un impacto directo y a nivel mundial en los recursos h´ıdricos disponibles, la cadena alimentaria, la extinci ´on de animales y plantas y finalmente en la futura existencia de la raza humana.
El clima mundial se ha mantenido particularmente estable en los ´ultimos 10.000 a˜nos, lo que ha permitido el desarrollo de la civilizaci ´on humana. Hoy en d´ıa empiezan a aparecer claros signos de que el clima est ´a cambiando [4]. Este cambio es uno de los desaf´ıos m ´as importantes al que se enfrenta la humanidad. La concentraci ´on de di ´oxido de carbono (CO2) en la atm ´osfera ha alcanzado una cifra r ´ecord a nivel mundial, 391 ppm [5]. Esto significa un crecimiento de casi el 40 por ciento desde la revoluci ´on industrial (280 ppm) y la cifra m ´as alta de los ´ultimos 650.000 a˜nos. Como consecuencia, la temperatura media global se ha incrementado en 0,8°C desde la epoca preindustrial [6].´
En 1988 se constituy ´o el “Intergovernmental Panel on Climate Change (IPCC)” co- mo herramienta internacional contra el cambio clim ´atico. El objetivo de este grupo es el an ´alisis de la informaci ´on cient´ıfica, t ´ecnica y socioecon ´omica relevante para la compresi ´on de los elementos cient´ıficos relativos al cambio clim ´atico de origen an- tropog ´enico, as´ı como sus posibles repercusiones , riesgos y sus posibilidades de ate- nuaci ´on y de adaptaci ´on al mismo. Dicho grupo est ´a constituido por dos importantes organismos mundiales, “Unites Nations Environment Programme (UNEP)” y “World Me- teorological Organization (WMO)” [7].
Una de las misiones de esta organizaci ´on es el establecimiento de posibles esce- narios futuros referentes la evoluci ´on de los niveles de contaminaci ´on atmosf ´erica, cambio clim ´atico, etc. . . Los principales escenarios presentados son los siguientes [8]:
A1 Mundo futuro con un r ´apido crecimiento econ ´omico, una poblaci ´on mun- dial que alcanza su valor m ´aximo hacia mediados de siglo y disminuye poste- riormente, una r ´apida introducci ´on de tecnolog´ıas nuevas y m ´as eficientes. La familia A1 se desarrolla en tres grupos que describen direcciones alternativas del cambio tecnol ´ogico en el sistema de energ´ıa. Los tres grupos A1 se dife- rencian en su orientaci ´on tecnol ´ogica: utilizaci ´on intensiva de combustibles de origen f ´osil (A1FI), utilizaci ´on de fuentes de energ´ıa renovables (A1T), o utiliza- ci ´on equilibrada de todo tipo de fuentes (A1B)
A2 Mundo muy heterog ´eneo cuyas principales caracter´ısticas son la autosufi- ciencia, la conservaci ´on de las identidades locales y una poblaci ´on mundial
3.1.Energ´ıa en el Mundo
en continuo crecimiento. El crecimiento econ ´omico por habitante as´ı como el cambio tecnol ´ogico est ´an m ´as fragmentados y son m ´as lentos que en otras l´ıneas evolutivas
B1 Mundo donde la poblaci ´on mundial alcanza su valor m ´aximo hacia media- dos de siglo y disminuye posteriormente. Similar al modelo A1, pero con r ´apidos cambios de las estructuras econ ´omicas orientados a una econom´ıa de servi- cios y de informaci ´on, acompa˜nados de una utilizaci ´on menos intensiva de los materiales y de la introducci ´on de tecnolog´ıas limpias con un aprovechamien- to eficaz de los recursos.
B2 Mundo en el que predominan las soluciones locales a la sostenibilidad eco- n ´omica, social y medioambiental. Es un mundo cuya poblaci ´on aumenta pro- gresivamente a una ritmo menor que en A2, con unos niveles de desarrollo econ ´omico intermedios, y con un cambio tecnol ´ogico menos r ´apido y m ´as diverso que en las l´ıneas evolutivas B1 y A1.
En el Protocolo de Kyoto (1996), las Naciones Unidas decidi ´o establecer el obje- tivo de intentar mantener el calentamiento global por debajo de los 2°C (cuantifi- cado desde la ´epoca anterior a la revoluci ´on industrial) [9]. Aunque recientemente, y desde un punto de vista cient´ıfico, se ha establecido como l´ımite seguro para el desarrollo tanto de la vida animal, vegetal como la vida humana, mantener el calen- tamiento m ´aximo entre 1 y 1,5°C. Cualquier calentamiento superior a ´este presentar´ıa consecuencias catastr ´oficas para la vida global del planeta [10].
Diferentes predicciones se han realizado a partir de los diferentes escenarios pre- sentados con el fin de estudiar la evoluci ´on del calentamiento global. En la Figura 3.1.6 se muestra la evoluci ´on de las concentraciones de CO2 en el siglo XXI en ca- da uno de los escenarios presentados. En la Figura 3.1.7 se muestra el calentamiento producido en cada uno de dichos escenarios.
Como se puede observar en todos los escenarios propuestos, el objetivo marcado de 1,5°C se sobrepasa con creces. El ´unico caso, donde se conseguir´ıa cumplir dicho objetivo, es aquel que consiguiera mantener constantes los niveles de CO2 corres- pondientes al a˜no 2000. Esto significa que se deben mantener la concentraci ´on de
Figura 3.1.6: Concentraciones CO2(ppm) en cada uno de los escenarios
CO2entre 350-400 ppm [11]. Actualmente la concentraci ´on (391 ppm) se encuentra muy pr ´oxima al valor m ´aximo deseado.
La pregunta que el mundo debe hacerse es: ¿es posible mantener el crecimiento econ ´omico esperado respetando los niveles de emisiones de sustancias contamina- tes?
Para lograrlo es imperativo que a m ´as tardar en 2015, la cantidad de emisiones inicie una disminuci ´on paulatina (actualmente las emisiones aumentan a˜no a a˜no) hasta quedar por debajo de las 23 GT (23 GigaToneladas) de CO2desde el a˜no 2030 en adelante. Actualmente se vierten en la atm ´osfera 27 GT de CO2[3]. El problema es que el crecimiento de la econom´ıa mundial exige cada a˜no un aumento en la producci ´on de energ´ıa de un 1,8 % sobre el acumulado total producido. Por lo que para el a˜no meta 2030 habr ´a que estar produciendo alrededor de un 60 % m ´as de energ´ıa (aproximadamente 18.000 MTep). Actualmente en todo el mundo se produ- cen 12.200 MTep por a˜no y se emiten 27 GT de CO2. Si nada cambiara, para suplir las necesidades energ ´eticas del 2030 la humanidad emitir´ıa 43 GT de CO2ese a˜no, el do-
3.1.Energ´ıa en el Mundo
Figura 3.1.7: Calentamiento Global en cada uno de los escenarios
ble de la contaminaci ´on esperada. En conclusi ´on, para evitar el colapso ambiental y al mismo tiempo mantener el crecimiento econ ´omico, para el 2030 la humanidad requerir ´a un 60 % m ´as de producci ´on energ ´etica pero contaminando un 15 % menos de lo que lo hace actualmente.
3.1.3. Principales Mejoras Energ ´ eticas
Las necesidades energ ´eticas adicionales se cuantifican aproximadamente en 550 MTep/a˜no. Existen diferentes alternativas que posibilitar´ıan cumplir el objetivo energ ´eti- co sin incumplir el medioambiental. Las opciones m ´as ampliamente estudiadas son el desarrollo y utilizaci ´on de energ´ıas renovables, la instauraci ´on de captura y almace- namiento de CO2o la mejora de la eficiencia energ ´etica [12].
Diversos estudios [3, 13, 14] muestran que, con las tecnolog´ıas actuales, la insta- laci ´on presente y futura de energ´ıas renovables funcionando a m ´axima capacidad no bastar´ıa para proporcionar toda la energ´ıa adicional necesaria para asegurar el crecimiento econ ´omico mundial. Las energ´ıas renovables ser´ıan capaces de propor- cionar aproximadamente el 40 % de la energ´ıa adicional necesaria. La tecnolog´ıa de captura y almacenamiento de CO2se encuentra, en la actualidad, en plena fase de investigaci ´on y su implantaci ´on en la industria no est ´a muy extendida. La captura y compresi ´on de CO2requiere mucha energ´ıa y aumentar´ıa las necesidades de com- bustibles de una central de carb ´on en un 25-40 % [15]. Se estima que, adicionando
´
estos y otros costos del sistema de captura de CO2, el coste de la energ´ıa de las nuevas centrales el ´ectricas entre aumente entre un 21 % y un 91 % [15, 16]. El IPCC estima que la econom´ıa potencial de esta tecnolog´ıa podr´ıa encontrarse entre el 10 % y el 55 % del total de mitigaci ´on del carbono hasta 2100 [15]. En conclusi ´on, esta tecnolog´ıa no se puede considerar hoy en d´ıa como una t ´ecnica importante en la reducci ´on de las emisiones de CO2, a ´un siendo especialmente prometedora en la lucha contra el cambio clim ´atico en el futuro.
Todo ello indica que el principal campo que puede llevar a la humanidad al cum- plimiento, tanto de los objetivos econ ´omicos como medioambientales, es la mejora de la eficiencia energ ´etica. ´Esta es un campo que tiene aplicaciones en todos y ca- da uno de los sectores econ ´omicos, aunque es en la industria, en el transporte y en el acondicionamiento de edificios donde mayor ahorro energ ´etico es posible obtener mediante la mejora de la eficiencia.
El consumo energ ´etico del sector industrial a nivel global representa aproximada- mente el 28 % del consumo energ ´etico total y dentro de este sector, la industria qu´ımi- ca representa aproximadamente el 20 %. Si se realiza un simple c ´alculo de porcenta- jes, el consumo energ ´etico de la industria qu´ımica en el mundo representa aproxima- damente el 5,6 % de toda la energ´ıa consumida en el mundo (unos 0,84 TW/a˜no).
Ahora bien, al analizar el consumo energ ´etico de la industria qu´ımica, se observa que los principales consumidores energ ´eticos en est ´a son los procesos de separa- ci ´on de compuestos. Concretamente, Mix y col. [17] determinaron que el 60 % de la energ´ıa total consumida en la industria qu´ımica y petroqu´ımica era empleada
3.1.Energ´ıa en el Mundo
en procesos de destilaci ´on. El proceso de destilaci ´on es uno de los m ´as importan- tes m ´etodos de separaci ´on de compuestos. Se estima que ´unicamente en Estados Unidos existen operando alrededor de 40000 columnas de destilaci ´on [18], lo que representa aproximadamente el 90 % de la totalidad de procesos de separaci ´on y purificaci ´on de compuestos. En conclusi ´on, se estima que en el proceso de destila- ci ´on se consume aproximadamente el 3 % de la energ´ıa mundial [19, 20]. Esto unido al hecho de que esta energ´ıa es generada principalmente mediante la combusti ´on de combustibles f ´osiles, hacen que cualquier mejora que permita reducir el consumo energ ´etico de estas, supondr ´a un importante impacto tanto en el coste econ ´omico como medioambiental global.
3.2 Simuladores de Procesos
La simulaci ´on, dise˜no y optimizaci ´on de una planta qu´ımica, constituida por varias unidades interconectadas por corrientes de proceso, forman el n ´ucleo de activida- des realizadas en la Ingenier´ıa de Procesos. El correcto desarrollo de dichas tareas re- quiere de la realizaci ´on de m ´ultiples subtareas, donde se puede encontrar balances de materia y energ´ıa, dimensionado de equipos, o c ´alculo de coste de instalaci ´on y operaci ´on, entre otras.
Hist ´oricamente, la realizaci ´on de dichas tareas ha sido un proceso complicado y tedioso, debido a que los modelos desarrollados para representar los procesos qu´ımi- cos son enormemente complejos. Afortunadamente el desarrollo de los ordenadores permiti ´o facilitar en gran medida el estudio de estos procesos. Hoy en d´ıa, existen nu- merosos programas inform ´aticos con la capacidad de realizar estas tareas, especial- mente los destinados a la simulaci ´on de procesos qu´ımicos. Este tipo de programas se denominan “Simuladores de Procesos Qu´ımicos”.
Un simulador de procesos es capaz de realizar un buen n ´umero de actividades, las principales son el c ´alculo riguroso y descripci ´on de las propiedades f´ısicas tanto de compuestos puros como mezclas, el modelado riguroso de unidades de proce- sos y la capacidad de resoluci ´on de grandes sistemas de ecuaciones algebraicas y diferenciales. Adem ´as, a trav ´es de un simulador de procesos es posible obtener una imagen simple y global del proceso en ejecuci ´on, lo que facilita de forma sustancial la comprensi ´on t ´ecnica de la planta de proceso estudiada, y sobre esta base servir para la mejora continua del proceso o el desarrollo de nuevos procesos.
Dentro de la Ingenier´ıa de Procesos podemos diferenciar tres tipos diferentes de problemas: problemas de simulaci ´on, de dise˜no y de optimizaci ´on (Figura 3.2.1).
Problema de Simulaci ´on: es aquel donde todas las corrientes de entrada a una determinada unidad, as´ı como los par ´ametros que definen dicha unidad, est ´an completamente especificados. En otras palabras, un simulador calcula todas las salidas de una unidad en funci ´on de las entradas y los par ´ametros de
3.2.Simuladores de procesos
dicha unidad (No hay grados de libertad). Normalmente este tipo de proble- mas presentan estructuras entrada-salida fijas
Problema de Dise˜no: es similar al problema de simulaci ´on, salvo por la diferen- cia de que, en ´este, ciertas variables de dise˜no de las unidades de proceso son desconocidas (por ejemplo, volumen de reactor, node pisos de una co- lumna, ´area de un intercambiador de calor, . . . ). Para resolver el problema es necesario a˜nadir restricciones a diversas variables en las corrientes de salida, de tal forma que estas restricciones compensen los grados de libertad extras en el problema
Problema de Optimizaci ´on: es aquel donde se pretende evaluar el rendimiento del proceso en funci ´on tanto de variables de dise˜no como de variables de las corrientes de entrada con el fin de minimizar su comportamiento de acuerdo a criterios econ ´omicos, ambientales o sociales. En este tipo de problemas pue- de presentar tanto ecuaciones de igualdad como desigualdad y su n ´umero puede ser igual o superior al n ´umero de variables a calcular
Todos estos tipos de problemas son representativos de estructuras r´ıgidas entrada- salida. Si se considera una estructura abierta con diversas alternativas de operaci ´on y de equipos para cada una de las tareas del sistema, el problema se transforma en un Problema de S´ıntesis. Mediante ´este se pretende determinar la configuraci ´on ´optima que minimice o maximice alg ´un aspecto clave del sistema, ya sea su econom´ıa, su impacto ambiental, etc. La dificultad de este tipo de problema radica en el hecho de que las ecuaciones cambian en funci ´on del equipo seleccionado. Una herramienta que facilita enormemente la resoluci ´on de este tipo de problemas es la utilizaci ´on de simuladores de procesos
Las principales ventajas derivadas del uso de simuladores de procesos por orde- nador son las siguientes:
Facilidad en el estudio completo y sencillo de todas las corrientes de materia y energ´ıa del proceso
Favorecer el estudio de formaci ´on y separaci ´on de subproductos e impurezas
(a)
(b) (c)
Figura 3.2.1: Problemas en Ingenier´ıa de Procesos: a) Dise˜no, b) Simulaci ´on, c) Optimi- zaci ´on
Evaluaci ´on del comportamiento de la planta ante cambios en las corrientes de entrada (alimentos) o la demanda de productos
Mejora de la seguridad y el control de procesos
Optimizaci ´on del rendimiento econ ´omico de la planta
3.2.Simuladores de procesos
3.2.1. Revisi ´ on Hist ´ orica
La historia de la simulaci ´on por ordenador comenz ´o en 1946 con la presentaci ´on del primer ordenador de uso general, el ENIAC2[21]. El primer uso de este fue llevado a cabo por el matem ´atico John von Neumann y se centr ´o en el modelado del proce- so de detonaci ´on nuclear en el “Proyecto Manhattan”. Los intentos iniciales de simu- laci ´on por ordenador de sistemas de ingenier´ıa qu´ımica, se realizaron a principios de la d ´ecada de los 50 y se limitaron casi exclusivamente a las computadoras anal ´ogicas [22]. A finales de la d ´ecada de los 50 tuvo lugar uno de los avances m ´as significantes en simulaci ´on digital con el desarrollo de lenguajes de programaci ´on orientados a procedimientos tales como FORTRAN3. Gracias a este lenguaje, en 1961 y gracias al Profesor Paul T. Shannon se desarroll ´o el que puede ser considerado el antecesor de los simuladores de procesos, el programa PACER4. El primer caso pr ´actico (1964) fue la simulaci ´on de una planta de ´acido sulf ´urico con una producci ´on de 300 t/d´ıa. El problema simulado requer´ıa la resoluci ´on simult ´anea de 500 ecuaciones y un total de 1000 variables asociadas a corrientes y 200 par ´ametros de equipos. El siguiente paso llevado a cabo en el campo de la simulaci ´on de procesos se dio en 1966 cuando la empresa “Simulation Science” comercializ ´o un programa gen ´erico de simulaci ´on de columnas de destilaci ´on. Este programa fue el n ´ucleo del paquete de simulaci ´on de procesos PROCESS. Tres a˜nos m ´as tarde, en 1969, la empresa “ChemShare” pre- sent ´o DESIGN, un programa de simulaci ´on de procesos para aplicaciones de gas y petr ´oleo. En la d ´ecada siguiente aparecieron los primeros programas de simulaci ´on orientados a ecuaciones. Algunos de ellos fueron SPEEDUP (Imperial Collage, Lon- dres, Reino Unido) y TISFLO (DSM, Pa´ıses Bajos). En 1976, el Departamento de Energ´ıa de EE.UU. y el MIT lanzaron conjuntamente el proyecto ASPEN, el cual dio lugar en 1985 al programa ASPEN PLUS lanzado por AspenTech.
La d ´ecada de los 80 fue una d ´ecada de continua evoluci ´on en el tema de la inform ´atica. Varios hitos revolucionaron considerablemente este campo, uno fue la aparici ´on de los ordenadores personales, otro fue la aparici ´on de las redes mundia-
2Acr ´onimo de “Electronic Numerical Integrator And Computer”, fue construido en la Universidad de Pensilvania por John Presper Eckert y John William Mauchly, pesaba 27 toneladas y ocupaba una superficie de 167 m2
3´Proviene del ingl ´es “FORmula TRANslator”. Es un lenguaje de programaci ´on para el desarrollo de aplicaciones matem ´aticas y cient´ıficas, fue el primer lenguaje de programaci ´on de alto nivel.
4Acr ´onimo de “Process Assembly Case Evaluator Routine”
les de intercambio inform ´atico (precursoras de internet), todo esto junto a la llegada de las estaciones de trabajo (1985) y de un nuevo sistema operativo multitarea, UNIX, produjo una aut ´entica revoluci ´on en la computaci ´on cient´ıfica. Pocas fueron las com- pa˜n´ıas de software cient´ıfico que sobrevivieron a estos cambios profundos. La capa- cidad de adaptaci ´on a esta nueva era se bas ´o principalmente en la reutilizaci ´on de las viejas rutinas desarrolladas en FORTRAN en el entorno de una nueva “programa- ci ´on orientada a objetos”. Precisamente en esta ´epoca se produjo la actualizaci ´on del simulador PROCESS para convertirse en PRO II.
A principios de los 90, el dominio de los ordenadores personales se consolid ´o.
Adem ´as la relativa estabilizaci ´on de los sistemas operativos (dominados por Windows y UNIX) permiti ´o el desarrollo de una nueva generaci ´on de simuladores de procesos.
En estos nuevos simuladores, la interfaz gr ´afica de usuario pas ´o a ser la parte central del desarrollo inform ´atico. En este periodo HYSYM se desarroll ´o hasta convertirse en el simulador HYSYS. Durante la segunda mitad de los a˜nos 90 se produjo la consolida- ci ´on de la simulaci ´on de procesos, y las principales compa˜n´ıas de software cient´ıfico.
A principios del siglo XXI aparecieron los simuladores de procesos libres, COCO5. Hoy en d´ıa, la comunidad dedicada a la simulaci ´on de procesos qu´ımicos est ´a a- vanzando hacia la interconexi ´on de diferentes componentes de software a trav ´es del proyecto CAPE-OPEN (CO) [23]. La red de laboratorios CAPE-OPEN (COLaN) es una organizaci ´on internacional para el gesti ´on de las normas que deben aplicarse en el software de simulaci ´on de procesos libre (CO). El simulador COCO explora la idea del proyecto CO, es libre, gratuito, posee una estructura modular que opera de forma secuencial y trabaja en estado estacionario. Como se trata de un entorno de mo- delado de diagramas de flujo abierto, permite al usuario a˜nadir nuevas operaciones unitarias o paquetes termodin ´amicos con total libertad. COCO comprende cuatro componentes principales:
COFE (CAPE-OPEN Flowsheet Environment): La interfaz gr ´afica donde realizar la representaci ´on del diagrama de flujo, consta adem ´as de algoritmos de re- soluci ´on secuencial con corrientes de corte automatizadas. Este componente puede ser combinado junto con otros simuladores
5Acr ´onimo del ingl ´es “Cape Open to Cape Open”
3.2.Simuladores de procesos
TEA (Thermodynamics for Engineering Applications): esta basado en el librer´ıa termodin ´amica de ChemSep LITE, el cual es un simulador libre de equilibrio para columnas de destilaci ´on y de extracci ´on l´ıquido-l´ıquido [24]. Incluye una base de datos de m ´as de 430 compuestos qu´ımicos. El paquete ofrece m ´as de 100 m ´etodos de c ´alculo de propiedades con sus derivadas anal´ıticas o num ´ericas
COUSCOUS: es el paquete b ´asico de operaciones unitarias que incluye CO- CO. Consta en un conjunto de operaciones unitarias tales como, mezcladores y divisores de corrientes, intercambiadores de calor, compresores, bombas y reactores
CORN (CAPE-OPEN Reaction Numerics): es el paquete incluido en COCO para simular reacciones cin ´eticas y de equilibrio
3.2.2. Arquitectura de los Simuladores Qu´ımicos
3.2.2.1. Clasificaci ´on
Los modelos de procesos pueden clasificarse en tres grupos principales, depen- diendo del tipo de variable (modelos continuos o discretos), la evoluci ´on temporal (din ´amicos o estacionario), y el grado de incertidumbre (deterministas o estoc ´asti- cos).
Seg ´un el tipo de variables:
Los modelos discretos hacen referencia a sistemas que pueden tomar cierto conjuntos de valores “discretos” en instantes discretos del tiempo. Es decir, un sistema discreto es aquel en el que las variables de estado cambian ins- tant ´aneamente en puntos separados en el tiempo. El seguimiento de los cam- bios de estado requiere la identificaci ´on de qu ´e es lo que causa el cambio y cuando lo causa, lo que se denomina suceso, las ecuaciones del modelo se convierten entonces en las ecuaciones y relaciones l ´ogicas que determinan las condiciones en que tiene lugar la ocurrencia de un suceso. La simulaci ´on
discreta consiste en el seguimiento de los cambios de estado del sistema que tienen lugar como consecuencia de la ocurrencia de una secuencia de suce- sos.
Los modelos continuos son aquellos donde las variables implicadas son conti- nuas, es decir aquella que puede tomar cualquier valor dentro de un rango determinado, cambiando de forma continua en el tiempo. Generalmente, es- te tipo de variables suele estar asociada a ciertas propiedades f´ısicas como son temperatura, flujos, presi ´on, etc. . .
Seg ´un la evoluci ´on temporal:
Los modelos din ´amicos son aquellos donde algunas de las variables asociadas son dependientes del tiempo, es decir evolucionan temporalmente, no per- maneces est ´aticas. Los problemas t´ıpicos que utilizan este tipo de modelado son los problemas de control de procesos, de arranque y parada de procesos, dise˜no de procesos en discontinuo, etc. . .
Los modelos est ´aticos son aquellos en los que las variables no dependen del tiempo. Aunque este comportamiento no suele darse en la vida real, numero- sos procesos son dise˜nados para permanecer en estado estacionario y utilizar el control para conseguir tal fin. Por ello, los principales problemas donde sue- len emplearse estos modelos son problemas de equilibrio, dise˜no de procesos en continuo,etc. . .
Seg ´un el grado de incertidumbre:
Los modelos deterministas son aquellos que predicen el futuro como algo fijo, donde la incertidumbre y el azar no tienen cabida. En estos modelos, una mis- ma entrada producir ´a invariablemente la misma salida. Este tipo de modelos han sido utilizados generalmente para la aplicaci ´on de leyes f´ısicas mediante ecuaciones algebraicas o diferenciales, estudio de velocidades de reacci ´on, etc. . .
