Professional Documents
Culture Documents
Trabajo final presentado como requisito parcial para optar al título de:
Magister en Ingeniería - Ingeniería Química
Director:
Julio César Vargas Sáenz
Línea de Investigación:
Ingeniería de Sistemas de Proceso
Albert Einstein
Agradecimientos
A Dios, por darme el privilegio de compartir esta vida en compañía de personas
maravillosas y permitirme crecer física, emocional y espiritualmente.
A mi futuro esposo Camilo Monroy por su perfecta colaboración y por brindarme todo su
amor.
Al director de este trabajo final Ing. Julio César Vargas, por su apoyo, comprensión,
paciencia y excelente dirección en todo momento.
Al Ing. Carlos Martínez Riascos e Ing. María Alejandra Guzmán por la colaboración y
recomendaciones académicas.
Y a todos aquellos que de una u otra manera contribuyeron para la culminación exitosa de
este proyecto: docentes y compañeros del posgrado, personal administrativo y
laboratoristas del Departamento de Ingeniería Química y Ambiental.
Resumen y Abstract IX
Resumen
El presente trabajo final de maestría utiliza la optimización multi-objetivo con técnicas
metaheurísticas o bioinspiradas como una herramienta útil y confiable en problemas de
optimización relacionados con esquemas de refinación. Como caso de estudio, se propone
maximizar la producción de diésel obtenido en una unidad de hidroruptura (HC) y la calidad
de los productos obtenidos en la torre de destilación atmosférica y en la torre de destilación
al vacío, teniendo como restricción la calidad del diésel producido (índice de cetano,
contenido de azufre, porcentaje de aromáticos, entre otros). Para esto, se parte de un
análisis de sensibilidad sobre el proceso, realizado con 22 variables independientes y 58
dependientes con el fin de seleccionar 6 variables a manipular y el establecimiento de las
dos funciones objetivo para la optimización.
Abstract
The present master´s final work develops the multi-objective optimization with
metaheuristic or bioinspired techniques as a useful and reliable tool in optimization
problems related to refining schemes. As a case study, it is proposed to maximize the
production of diesel obtained in a unit of hydrocracking (HC) and the quality of the products
obtained in the atmospheric distillation tower and the distillation tower, with a restriction
over quality of diesel produced (Cetane index, sulfur content, percentage of aromatics,
among others). For this, a process sensitivity analysis was carried out with 22 independent
and 58 dependent variables in order to select 6 variables to be manipulated and the
establishment of the two objective functions for the optimization.
Contenido
Pág.
Resumen ...........................................................................................................................IX
Abstract.............................................................................................................................XI
Lista de figuras............................................................................................................... XV
1. Generalidades ............................................................................................................ 3
1.1 Mercado actual de combustibles fósiles ............................................................... 3
1.2 Problemáticas de los esquemas de refinación ..................................................... 4
1.3 Uso de herramientas de optimización en esquemas de refinación ...................... 9
1.4 Metodología General .......................................................................................... 11
B. Anexo: Curvas de destilación de los cortes obtenidos en las torres CDU y VDU ... 103
Lista de figuras
Pág.
Figura 3-8. Diagrama de distribución de cortes arrojado por el simulador Aspen Hysys V8.8.
Corte de gas (rojo), NL (verde), NP (azul), queroseno (fucsia), LGO (ligero magenta,
pesado gris), fondos (negro) y residuo atmosférico (amarillo)…………………………….. 55
Figura 3-9. Curvas de variación del error cuadrado de las curvas TBP reales vs. las curvas
TBP simuladas para los cortes de nafta ligera, nafta pesada, queroseno, LGO, residuo,
LVGO, HVGO, la corriente de entrada al HC y la suma del error medio (SEM) de todas las
TBPs con respecto al flujo de gas de la torre CDU para el Caso 1……………………….. 58
Figura 3-10. Curvas de variación de los costos operativos, nitrógeno total, flujo de, flujo de
reposición de hidrógeno, porcentaje de parafínicos y nafténicos en diésel con respecto a
la variación del flujo de gas de la torre CDU para el Caso 1………………………………. 60
Figura 3-11. Curvas de variación de los costos operativos, nitrógeno total, flujo de diésel ,
flujo de reposición de hidrógeno, porcentaje de nafténicos y azufre en diésel y entrada a
HC, respecto a la variación del flujo de gas de la torre CDU para el Caso 2…………….. 61
Figura 3-12. Curvas de variación del error cuadrado de las TBPs de la planta vs las
simuladas para los cortes de nafta ligera, nafta pesada, queroseno, LGO, residuo, LVGO,
HVGO, corriente de entrada al HC y la (SEM) respecto a al flujo de gas de la torre CDU
para el Caso 2…………………………………………………………………………………… 62
Figura 4-1. Frente Optimo de Pareto real y obtenido en las funciones de prueba KUR (izq.
superior), ZDT3 (der. superior), ZDT4 (izq. inferior) y ZDT6 (der. inferior) con el algoritmo
BCMOA…………………………………………………………………………………………... 70
Figura 4-2 Frente Optimo de Pareto real y obtenido en las funciones de prueba KUR (izq.
superior), ZDT3 (der. superior), ZDT4 (izq. inferior) y ZDT6 (der. inferior) con el algoritmo
NSGA-II…………………………………………………………………………………………... 71
Figura 4-3. Frente Optimo de Pareto real y obtenido en las funciones de prueba KUR (izq.
superior), ZDT3 (der. superior), ZDT4 (izq. inferior) y ZDT6 (der. inferior) con el algoritmo
NSPSO…………………………………………………………………………………………… 72
Figura 4-4. FOP obtenido con el algoritmo NSPSO (azul) y región de búsqueda (verde) del
caso 1…………………………………………………………………………………………….. 75
Figura 4-5. FOP obtenido con el algoritmo NSGA-II (azul) y región de búsqueda (verde) del
caso 1………………………………………………………………………………………… 75
Figura 4-6. FOP obtenido con el algoritmo NSGA-II (rojo), NSPSO (verde), punto actual
operación (negro) y punto resultante del análisis de sensibilidad (azul) del caso 1…….. 76
Figura 4-7. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
vs SEM. Verde los valores que cumplen con las restricciones, azul los valores que
pertenecen al FOP para el NSPSO para el caso 1…………………………………………. 77
Figura 4-8. Resultado de las variables manipuladas (flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
vs SEM. Verde los valores que cumplen con las restricciones, azul los valores que
pertenecen al FOP para el NSGA-II para el caso 1………………………………………….78
Figura 4-9. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
en el FOP vs SEM. Verde NSPSO, rojo NSGA-II, negro punto actual de operación, azul
punto del análisis de sensibilidad del caso 1…………………………………………………81
Resumen y Abstract XVII
Figura 4-10. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
en el FOP vs FDP. Verde NSPSO, rojo NSGA-II, negro punto actual de operación, azul
punto del análisis de sensibilidad del caso 1……………………………............................82
Figura 4-11. FOP obtenido con el algoritmo NSPSO (azul) y región de búsqueda (verde).
Caso 2…………………………………………………………………………………………….85
Figura 4-12. FOP obtenido con el algoritmo NSGA-II (azul) y región de búsqueda (verde).
Caso 2…………………………………………………………………………………………….85
Figura 4-13. FOP obtenido con el algoritmo NSGA-II (rojo), NSPSO (verde), punto actual
operación (negro) y punto resultante del análisis de sensibilidad (azul). Caso 2..……….85
Figura 4-14. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
vs SEM. Verde los valores que cumplen con las restricciones, azul los valores que
pertenecen al FOP para el NSPSO. Caso 1………………………………………………….86
Figura 4-15. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
vs SEM. Verde los valores que cumplen con las restricciones, azul los valores que
pertenecen al FOP para el NSGA-II. Caso 2…………………………………………………87
Figura 4-16. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
en el FOP vs SEM. Verde NSPSO, rojo NSGA-II, negro punto actual de operación, azul
punto del análisis de sensibilidad………………………………………………………………88
Figura 4-17. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta
ligera, flujo de nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación)
en el FOP vs FDP. Verde NSPSO, rojo NSGA-II, negro punto actual de operación, azul
punto del análisis de sensibilidad……………………………………………………………...89
Contenido XVIII
Lista de tablas
Pág.
Tabla 1-1. Assay para el crudo Caño Limón …………………………………………………..8
Tabla 3-1. Condiciones de las corrientes del proceso……………………………………… 48
Tabla 3-2. Variables independientes de la simulación de la CDU………………………… 48
Tabla 3-3. Variables independientes de la simulación de la VDU…………………………. 48
Tabla 3-4. Variables independientes o manipuladas en el análisis de sensibilidad para la
unidad CDU……………………………………………………………………………………… 49
Tabla 3-5. Variables independientes o manipuladas en el análisis de sensibilidad para la
unidad VDU……………………………………………………………………………………… 50
Tabla 3-6. Variables independientes o manipuladas en el análisis de sensibilidad para la
corriente de alimento. …………………………………………………………………………... 51
Tabla 3-7. Variables de respuesta o dependientes de los análisis de sensibilidad……… 52
Tabla 3-8. Corrientes utilizadas en los cálculos de costos de producción, índices de costos
utilizados y los flujos de energía del caso base……………………………………………... 53
Tabla 3-9. Especificaciones del diésel producido en el sur este asiático………………… 54
Tabla 3-10. Límites inferior y superior de las variables independientes del Caso 2…….. 56
Tabla 3-11.Variables con alto porcentaje de variabilidad en los análisis de sensibilidad 57
Tabla 3-12. Variables seleccionadas para la optimización y % de variación en el SEM de
cada TBP………………………………………………………………………………………… 60
Tabla 3-13. Variables con alto porcentaje de variabilidad en los análisis de sensibilidad.
Caso 2 ……………………………………………………………………………………………. 63
Tabla 4-1. Funciones de prueba utilizadas para la selección de los algoritmos de
optimización multi-objetivo……………………………………………………………………... 68
Tabla 4-2. Diversidad y dispersión……………………………………………………………. 72
Tabla 4-3. Punto seleccionado del FOP que maximiza la producción de diésel y minimiza
el error en las TBPs…………………………………………………………………………….. 83
Tabla 4-4. Punto seleccionado del FOP que maximiza la producción de diésel y minimiza
el error en las TBPs. Caso 2…………………………………………………………………… 90
Tabla 4-5. Variación porcentual entre los flujos obtenidos en el caso uno al caso dos para
los puntos de operación y los obtenidos en la optimización ………………………………. 91
1. Generalidades
En este capítulo se abordan las generalidades del mercado actual de crudo y combustibles
de origen fósil, se realiza una breve descripción sobre la problemática que frecuentemente
se presenta en los esquemas actuales de refinación, la importancia de la optimización de
procesos como una alternativa de solución y la metodología general desarrollada.
Nafta ligera
Gasolina
Jet y queroseno
Gasóleo/diésel
Combustible residual
Otros productos
De acuerdo con Dorian et al. [2], actualmente el 86% del consumo de la energía mundial y
el 90% de la energía necesaria en el sector del transporte se suple a través de
4 Optimización por técnicas metaheurísticas aplicadas a unidades destilación
(CDU) – hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
combustibles fósiles, con proyecciones crecientes para el año 2020 [1] (ver Figura 1-2),
donde la gasolina presenta un crecimiento desacelerado, mientras que el diésel presenta
mayor demanda.
Diésel
Gasolina
Participación de Diésel
Gas
de coquefacción
Residuo
de ciclo
Nafta ligera
catalítica
Ruptura
Destilación al
Gasóleos de
vacío
retardada
Gasóleo pesado
de coquefacción
Coque
Gas
Residuo
Nafta ligera
Destilación al
Nafta pesada
Hidroruptura
Gasóleos de
vacío
vacío Queroseno
Diésel
desasfaltados
Gas
de vacío
Residuo
Desasfaltado
Despojadores
de nafta
Nafta
H2
Generación Nafta Hidrotratamiento
Gasóleo pesado de hidrógeno de nafta
de coquefacción Asfalto
Gas
Hidrodesulfurización
Residuo
Gasolina
catalítica
Ruptura
Nafta
Hidrotratamiento Despojadores pesada
Diésel
de nafta de nafta
H2 Nafta
ligera
H2
H2 Generación
de hidrógeno
Aceite
las condiciones de diseño y de operación, entre otras [4]. Estas últimas tienen gran
importancia, debido a que la refinería se diseña con base en las propiedades fisicoquímicas
de la materia prima (mezcla de crudos), y a medida que las condiciones del mercado
(demanda de productos combustibles) van cambiando se implementa una constante
adecuación de las condiciones del proceso. Las propiedades fisicoquímicas de mayor
importancia en la refinación de crudo, ya sea por transporte, almacenamiento o
tratamientos de adecuación, se presentan en la Tabla 1-1 y se definen como [5]:
Gravedad API (°API): permite determinar qué tan pesado o liviano es el petróleo en
comparación con el agua basado en la densidad. Si el crudo presenta °API mayores a 10,
tiene una densidad menor que el agua y por tanto flotaría en ésta, además permite
identificar que tan sencillo o difícil puede ser su transporte, entre menor gravedad API
tenga un crudo es más pesado y por ende más complicado de transportar. Este criterio
clasifica los crudos en:
Ligeros o livianos: °API mayores a 30.
Medianos: con °API entre 22 y 29,9.
Pesados: °API entre 10 y 21,9.
Extrapesados: °API menores a 10.
Carbón residual: es el porcentaje de carbono por peso para el coque, asfalto y los
combustibles pesados. Indica aproximadamente la proporción de compuestos asfálticos,
metales y óxidos de silicio presentes en el crudo.
Viscosidad: indica la resistencia que presenta un líquido a fluir, por tanto permite estimar
las configuraciones y requerimientos de bombeo en la refinería.
Punto de fluidez: es la temperatura desde la cual puede fluir el crudo. Entre menor sea el
punto de fluidez, menor será el contenido de parafinas.
Presión de vapor de Reid (RVP): medida de la presión de vapor ejercida por el crudo o
por los productos ligeros a 37 °C (100 °F).
Nitrógeno: mide el peso del nitrógeno total determinado en un crudo. Estos contribuyen
negativamente en los procesos catalíticos.
Además de las propiedades fisicoquímicas, la curva TBP (true boiling point) permite
identificar previamente los rendimientos que se obtendrán mediante una destilación a
escala laboratorio en condiciones atmosféricas y a vacío.
con esquema de hidrodesnatado que no sólo incluyen la destilación del crudo sino
también el reformado catalítico, diferentes unidades de hidrotratamiento y mezcla
de productos. Como principales productos se encuentran la gasolina y diésel con
bajo contenido de azufre.
de conversión profunda que permite tratar la fracción del petróleo crudo más
pesado (residuo) para convertirlo en cortes livianos y que son alimentados a otras
unidades, (por ejemplo, la ruptura catalítica).
Los gasóleos atmosféricos y de vacío, así como los de la unidad de coquefacción (si la
hay) son empleados como alimento a las unidades de ruptura catalítica o hidroruptura.
Estas unidades se encargan de romper las moléculas de alto peso molecular en
compuestos de más bajo peso molecular como la gasolina y los destilados medios (diésel
principalmente).
Capítulo 2. Marco conceptual 17
LPG y gas
Recuperación Combustible de refinería
de vapor Gas
Sección de
estabilización Nafta ligera Gas licuado de petróleo
Isomerización
Gasolina regular
Nafta
Reformado
Hidrotratamiento Reformado Gasolina premium
Lubricante
Desasfaltado Desparafinado Ceras
Asfalto
Gas
convirtiéndolo en una amplia gama de valiosos productos de bajo punto de ebullición, como
la gasolina y el diésel, tal como se evidencia en la Figura 2-2.
GAS DE REFINERÍA
NAFTAS LIGERAS
NAFTAS PESADAS
DESTILACIÓN QUEROSENO
CRUDO
ATMOSFÉRICA NAFTAS LIGERAS
DIÉSEL
DESTILADOS DE
VACÍO (VD) HIDRORUPTURA DIÉSEL
RESIDUO
ATMOSFÉRICO DESTILACIÓN AL GASÓLEO LIGERO
VACÍO DE VACÍO (LVGO) RESIDUOS
GASÓLEO PESADO
DE VACÍO (HVGO)
RESIDUO
DE VACÍO
Figura 2-2. Diagrama de bloques del proceso de producción de diésel empleando una unidad de HC.
la materia prima, además de la primera etapa de ruptura. El efluente del primer reactor
pasa a través del catalizador cargado en el segundo reactor donde se alcanza la mayor
parte de rompimiento.
Los diseños en una sola etapa se emplean generalmente para cargas con bajo contenido
de nitrógeno, son una opción de menor costo y tienden a adaptarse mejor a las refinerías
existentes, donde es probable que existan oportunidades para la integración con otras
unidades. Aquí, se presenta la posibilidad de aprovechar los fondos, alimentándolos a la
unidad de ruptura catalítica (FCC - Fluid Catalytic Cracking), a la planta de aceites, a una
unidad de ruptura de etileno, entre otras. De igual forma la unidad de hidroruptura puede
ser diseñada para un alto rendimiento a diésel, queroseno o nafta, procesando fácilmente
una variedad de materias primas, incluyendo VGO, gas óleo pesado de coquefacción
(HCGO - heavy coker gas oil) y aceite desasfaltado (DAO - de-asphalted oil) [23].
Los problemas de optimización generalmente involucran varios objetivos que requieren ser
satisfechos de manera simultánea y que pueden ser contradictorios entre sí. En una planta
de fraccionamiento de gas, se pretende mejorar la separación de la corriente que es
Capítulo 2. Marco conceptual 21
alimento a la planta de GNL (gas natural licuado) en las torres de destilación aumentando
la presión. Esta acción incrementa los costos de operación debido a que se requiere una
temperatura inferior del medio refrigerante en el condensador y al mismo tiempo aumenta
la cantidad de GNL producido, lo cual dificulta la toma de decisiones sobre el proceso.
Dentro del POM hay tres tipos de situaciones que pueden presentarse:
Minimizar todas las funciones objetivo.
Maximizar todas las funciones objetivo.
Minimizar algunas funciones y maximizar otras de las funciones objetivo.
En referencia a los problemas lineales, estos tienen las soluciones óptimas en los vértices
el espacio que contiene las soluciones factibles. Las soluciones de los problemas no
lineales pueden quedar en cualquier punto factible del espacio acotado por las
restricciones, sí el espacio es no convexo puede tener múltiples soluciones óptimas acerca
de las cuales no se puede afirmar que la mejor solución obtenida es la solución óptima
global [28] . En la Figura 2-3 se encuentra la representación de un problema de
optimización con la presencia de óptimos mínimos locales en una función de dos variables
y la presencia de un óptimo mínimo global.
Ante las limitaciones propias del POM anteriormente mencionadas, se han desarrollado
métodos de optimización que se pueden clasificar como determinísticos y no
determinísticos. En los métodos determinísticos o métodos convencionales de
optimización, el azar no se involucra en los estados futuros del sistema, produciéndose por
tanto las mismas salidas siempre y cuando se tengan las mismas condiciones de partida
o de estado inicial. El mecanismo de aproximación se acerca a la solución más próxima
22 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)
– hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
200
f(x) 100
-100
Mínimos locales
-200
10
5 10
Mínimo global 5
0
0
-5 -5
X2 -10 -10
X1
Figura 2-3. Optimo global y local para una función de dos variables
Métodos Estocásticos
Movimiento de peces
Algorítmos genéticos Templado simulado
Colonia de hormigas
Algorítmos meméticos Alineamiento simultáneo
Quimiotaxis de bacterias
Evolución diferencial Búsqueda armonica
Movimiento de partículas
Ventajas
Desventajas
Entrada
Crear población
Calificar población
# generaciones Cumplimiento de la SI
Salida
condición de parada
NO
Mecanismo de evolución o
movimiento
Mecanismo de calificación
Reemplazar la población
Los MAUT estiman una función para cada atributo, que luego se agregan en una función
global de forma aditiva o multiplicativa. Los métodos basados en relaciones de sobre-
clasificación están soportados en relaciones binarias, decidiendo sobre una solución que,
sin ser la mejor, pueda ser considerada satisfactoria y, de ese modo, obtener una
organización jerárquica de las alternativas. El AHP es un método de trabajo lógico y
estructurado que optimiza la toma de decisiones complejas subdividiendo un atributo
complejo en atributos más sencillos y determinando el aporte sobre la función objetivo de
la decisión.
Finalmente, el algoritmo seleccionado debe cumplir con dos objetivos esenciales [26]
deberá garantizar la convergencia del frente, haciendo referencia a la calidad de las
soluciones encontradas (FOP*) y mediante un mecanismo de diversidad, deberá asegurar
una cobertura igualmente espaciada del frente óptimo de Pareto, garantizando una
adecuada distribución de las soluciones encontradas (FOP*).
De igual forma, con el fin de seleccionar las mejores soluciones que se ubicarán en el FOP
existen diferentes mecanismos para comparar y evaluar en cada iteración las soluciones
de los individuos en el espacio de búsqueda. Uno de los más usados son las condiciones
de dominancia, la cual entre dos soluciones, una solución A se dice que domina a la
solución B si se cumplen las siguientes dos condiciones: la solución A no es peor que la
solución B en todos los objetivos y la solución A es estrictamente mejor que la solución B
en por lo menos un objetivo.
Convergencia
FOP*
FOP
Diversidad
Figura 2-6 Concepto de diversidad, convergencia y dominancia en el Frente óptimo de Pareto. Adaptado de
[32]
28 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)
– hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Fase 3: para la producción de una nueva generación, se crean N hijos mediante cruce de
los padres y de acuerdo con la probabilidad de mutación, se mutan algunos de los N hijos.
Posteriormente se reemplazan N individuos de la población anterior por los N hijos y si se
alcanza la condición necesaria para detener el algoritmo, se termina el cálculo. En otro
caso se realiza de nuevo la fase dos.
Siguiendo el desarrollo de AG, Deb et al. [7], propusieron en 2000 una mejora a los
algoritmos denominado el NSGA (Nondominated Sorting Genetic Algorithm ), y en 2002 el
NSGA-II, el cual se basa en los procesos naturales de selección y evolución genética. Este
último es uno de los procedimientos popularmente más usados para encontrar múltiples
soluciones Pareto-óptimas en un problema de optimización multi-objetivo.
30 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)
– hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Este algoritmo incluye la metodología de clasificación de los individuos sugerida por Booker
[36], en la cual antes de realizar la selección, la población está clasificada sobre la base
de no dominación: todos los individuos no dominados se clasifican en una categoría (con
un valor de aptitud simulado, que es proporcional al tamaño de la población, para asignar
un potencial reproductivo equitativo). Así mismo, para mantener la diversidad de la
población, a estos individuos clasificados se les asigna un valor de ajuste. El procedimiento
general es presentado en la Figura 2-7.
Operador para la preservación de diversidad: Deb et al. [7] proponen una aproximación
que soluciona las dificultades del operador por nicho basado en una función de repartición
y su distancia de reparto (𝜎sharing), la cual depende del usuario. Así, la aproximación en
NSGA-II se basa en un operador de comparación por amontonamiento (crowded-
comparison operator (≺n)), el cual asume que cada individuo de la población
cuenta con dos atributos: 1) el rango de no-dominancia (irank) y 2) la distancia de
amontonamiento (idistance). Así, el operador (≺n) indica que entre dos soluciones i con
diferente rango de no-dominancia, se prefiere la solución con el menor irank, pero si las dos
Capítulo 2. Marco conceptual 31
Figura 2-8. Cálculo de la distancia de amontonamiento en un mismo frente no-dominado. Tomado de [32].
Manejo de restricciones con NSGA-II: con el manejo de las restricciones Deb et al. [7]
modificaron la definición de dominancia entre dos soluciones A y B, donde cualquier
solución factible tiene un mejor rango de no-dominancia que una solución no factible.
Todas las soluciones factibles se clasifican de acuerdo a sus niveles de no-dominancia
obtenido de los valores de la solución de la función objetivo. También considera que entre
dos soluciones no factibles, la solución con la menor violación a las restricciones tiene un
mejor desempeño.
Entonces se dice que la solución A domina a la solución B por restricción, si alguna de las
siguientes condiciones es verdadera:
2. La solución A y B no son factibles, pero la solución A tiene una menor violación a las
restricciones que la solución B.
3. La solución A y B son factibles y la solución A presenta mejor desempeño que la solución
B.
Li [38] propuso una técnica en la cual se adoptan los principales mecanismos del algoritmo
genético NSGA-II en el algoritmo PSO denominado NSPSO (Non-Dominated Sorting
Particle Swarm Optimizer). En este algoritmo el movimiento de cada partícula se ve
afectado por la mejor posición de la partícula y la mejor posición global en el espacio de
búsqueda multidimensional. Los operadores y parámetros del algoritmo se encuentran a
continuación [38]:
Capítulo 2. Marco conceptual 33
Trayectoria
Memoria
Cooperación
Figura 2-9. Representación del símil del movimiento de un enjambre de abejas; movimiento de las partículas
en el espacio de búsqueda. Tomado de [39].
Vector de posición para cada partícula 𝑖 𝑋𝑖 = (𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑑 ) [Ec. 2-1]
Donde
donde 𝑢2 , 𝑢1 y 𝑙2 , 𝑙1 son los límites superiores e inferiores para cada una de las funciones
objetivo. La distancia crowding se determina calculando el promedio de la distancia entre
la partícula 𝑖 y las partículas más cercanas en el frente óptimo de Pareto.
funcionamiento de los flagelos (ver Figura 2-10), la bacteria solo puede efectuar uno de
estos movimientos a la vez [32].
Figura 2-10. Nado y giro debido al movimiento de los flagelos. Tomada de [32]
Los grados de giro, dirección y distancia de movimiento los selecciona de forma aleatoria,
en pro de la búsqueda de alimento. Así, cuando la bacteria detecta un incremento de
concentración de nutrientes, el cambio en el gradiente hace que bacteria invierta más
tiempo y energía nadando y menos girando (Figura 2-11). Considerando lo anterior, la
dirección de movimiento es entonces ajustada y está enfocada hacia las regiones en que
se percibe un incremento en los nutrientes y cuando la bacteria llega a una región con una
concentración constante de nutrientes retorna al comportamiento inicial de búsqueda [39].
Como parte de la componente social del algoritmo, las bacterias fuertes producen señales
indicando que se encuentran en regiones con una buena concentración de alimento. Es
así que las bacterias débiles seleccionan de forma aleatoria a una bacteria fuerte, se
mueve a una posición cerca a dicha bacteria y luego se mueve de forma recta (swim) en
la misma dirección cerca de la posición con buena concentración de nutrientes. Una vez
se aplica la estrategia quimiotáxica para cada bacteria de la población, el paso quimiotáxico
finaliza.
Para completar el paso quimiotáxico, cada bacteria débil elige a las bacterias fuertes entre
el mejor 20 % superior de las bacterias organizadas por el parámetro de densidad deni. En
la aplicación de la estrategia quimiotáctica, el tamaño del paso de las bacterias es bastante
importante en el funcionamiento del algoritmo [40]. Es así como en BCMOA se definen tres
tipos de tamaños de paso (ver Figura 2-12): tamaño del paso largo ((LT) long tumble step
Capítulo 2. Marco conceptual 37
size), tamaño del paso corto ((ST) short tumple step size) y paso de nadado ((SW) swim
step size).
Para la selección de estos tamaños de paso Guzmán et al. [40] proponen el uso de un
factor 𝐹𝑎𝑐 que decrece linealmente entre uno y cero en cada paso quimiotáxico de acuerdo
a la Ecuación 2-8:
Donde max(𝐹1(𝑗))𝑘 y min(𝐹1(𝑗))𝑘 son los valores máximos y mínimos para la variable k
dentro de las soluciones del frente óptimo de Pareto 𝐹1(𝑗). El pseudocódigo detallado del
algoritmo se presenta en el Anexo A.
Para el algoritmo BCMOA, Guzmán et al. [40] proponen un manejo de las restricciones
basado en la penalización de las funciones objetivo. De esta manera, la función objetivo
es penalizada por violar una restricción, por lo que el valor que adoptará será igual al de la
función objetivo antes de la penalización más un valor constante.
Las funciones de prueba han sido plateadas por distintos autores, y normalmente se
somete la técnica a funciones de prueba con y sin restricciones. Como parte de las
funciones multi-objetivo sin restricciones se encuentran como por ejemplo las usadas por
Deb et al. [7], Li [38] , Guzmán et al. [40] y otros:
SRN TNK
WATER
Al igual que las funciones de prueba, existen diversas métricas dependiendo del
planteamiento dado a cada algoritmo. En general se encuentran métricas que evalúan la
convergencia de las soluciones a un FOP conocido mediante el cálculo de la distancia
euclidiana desde un grupo de puntos de referencia, el error en las soluciones, etc. También
se encuentran métricas que determinan la distribución y espaciado de las soluciones sobre
un FOP conocido, o las que relacionan en una sola convergencia y distribución como el
método de hiper-volumen, de cobertura, las métricas R, etc. [26]
En este trabajo se emplean como métricas las desarrolladas por Deb et al. [7], que para la
convergencia emplea la métrica ϒ, que parte de un conjunto H de 500 soluciones
uniformemente distribuidas en el frente óptimo de Pareto, y calcula para cada solución la
distancia euclidiana mínima con H, donde el valor ϒ es el promedio de esta distancia.
Para la diversidad, se utiliza la métrica (∆), que mide la distancia euclidiana entre
soluciones consecutivas del conjunto óptimo de obtenido (d1, d2, . . . , dn), el promedio de
estas distancias (𝑑̅ ) y la distancia euclidiana entre los dos puntos extremos del frente
óptimo de pareto real (𝑑𝑓 , 𝑑𝑙 ), y las dos soluciones extremas del FOP hallado, siguiendo la
Ecuación (2-14)
𝑑𝑓 + 𝑑𝑙 + ∑𝑁−1 ̅
𝑖=1 |𝑑𝑖 − 𝑑 |
∆= [Ec. 2-12]
𝑑𝑓 + 𝑑𝑙 + (𝑁 − 1)𝑑̅
2.6 Comentarios
Los esquemas de refinación de crudo y procesamiento de diésel presentan problemáticas
referentes a costos de producción, eficiencia energética, emisiones de gases
40 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)
– hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
contaminantes, entre otra, que pueden ser mejoradas y controladas mediante optimización
de procesos.
En la Figura 3-2 y Figura 3-3 se presentan las curvas de los TBP (True Boling Point -
Curva de destilación verdadera) de los crudos A, B y su mezcla en proporción 50:50 y los
crudos C, D junto con la mezcla. Los crudos A y D se consideran crudos medianos con
una gravedad API de 28,1 y 23,7 respectivamente, mientras los B y C son crudos pesados
con una gravedad específica de 32,7 y 31,3 respectivamente. Las mezcla de los crudos A
y B en igual proporción tiene una densidad API de 30,4 lo cual lo clasifica como un crudo
mediano y la mezcla de los crudos C y D se clasifica como un crudo mediano ya que la
densidad API es de 27,4.
Una vez mezclados los crudos se precalientan en un tren simulado por los
intercambiadores E-PRECAL y E-HORNO para elevar la temperatura de la corriente de
ingreso a la torre de destilación atmosférica (CDU) a 206 °C y 365,5 °C respectivamente.
Entre los dos intercambiadores la caída de presión es de 7 psi. La torre CDU opera a
0,4472 barg en el condensador y 1,703 barg en el rehervidor, asumiendo una caída de
presión lineal a lo largo de los platos. De la torre de destilación se obtienen el corte de gas
(C1-C4), nafta ligera, nafta pesada, queroseno, LGO y residuo atmosférico (Figura 3-4). Se
utilizan tres intercambiadores de calor para enfriar las corrientes extraídas de las etapas
10, 17 y 22 (pumparounds – enfriadores de recirculación) y alimentadas posteriormente en
44 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)
– hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
las etapas 9, 16 y 21. De igual forma se emplean tres despojadores laterales (Strippers)
de tres etapas cada uno para obtener los cortes de nafta pesada, queroseno y LGO. Se
asume que los enfriadores de recirculación y los despojadores laterales no tienen caída de
presión. En la Figura 3-4 se pueden observar otras características de la columna CDU. Se
alimenta vapor a alta presión en la parte inferior de la torre y en cada despojador lateral.
Las condiciones de estas corrientes de vapor se encuentran en la Tabla 3-1.
1000
800
Temperatura [°C]
600
400
200
0
0 20 40 60 80 100
% volumen destilado
Figura 3-2. Curvas de destilación de los crudos utilizados en la simulación. Crudo A (azul), crudo B (rojo) y
mezcla 50:50 de crudo A y B (amarillo)
Capítulo 3. Simulación y análisis del proceso 45
Figura 3-3 Curvas de destilación de los crudos utilizados en la simulación. crudo D (azul), crudo C (rojo) y
mezcla 50:50 de crudo C y D (amarillo)
Crudo
En la Figura 3-6 se muestra el diagrama de flujo del proceso de la unidad HC, en el cual
las corrientes de alimentación provenientes de la CDU (LGO) y de la VDU (LVGO y HVGO)
se mezclan con un gas de reposición rico en hidrógeno (para el proceso de hidroruptura
Capítulo 3. Simulación y análisis del proceso 47
Reposición
de H2
R1 H2 de reciclo
Gas de purga
Tratamiento
de Aminas
H2S
Ligeros
R2
HPS
NL
NH3
NP
Diésel
Fondos
Figura 3-6. Diagrama de flujo de la unidad de hidroruptura en Aspen HYSYS V 8.8. Adaptado de [44]
Dado el alcance de este proyecto no se considera la integración energética y por tanto las
corrientes de energía son las del caso tomado de Chang et al. [43].
48 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) –
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Las variables independientes de la CDU y VDU se resumen en las Tablas 3-2 y 3-3
respectivamente. Las condiciones de operación de la unidad de hidroruptura permanecen
constantes e iguales a las reportadas por Chang [43].
Tabla 3-4. Variables independientes o manipuladas en el análisis de sensibilidad para la unidad CDU.
Tabla 3-5. Variables independientes o manipuladas en el análisis de sensibilidad para la unidad VDU.
Alimentación
Variable Límite Límite Valor que
Unidad
inferior superior minimiza SEM
Relación 0,02 0,98 0,5 Fracción
2
𝑇𝑟,𝑖,𝑗 −𝑇𝐶,𝑖,𝑗
𝐸𝑟𝑟𝑜𝑟𝑇𝐵𝑃 = ∑𝑚 𝑛
𝑗=0 ∑𝑖=0 ( ) [Ec. 3-2]
𝑇𝑟,𝑖,𝑗
Figura 3-7. Curva de destilación de la planta (puntos naranja) y arrojada por el simulador (línea azul) para la
corriente de entrada al HC.
52 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) –
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
El cálculo de los costos de producción se determina como la suma de los costos por vapor,
enfriamiento y calentamiento en las torres CDU y VDU y la unidad HC; y los costos de la
reposición de H2 en la unidad HC (Se toma un costo de hidrógeno de 4 USD/kg [46]). En
la Tabla 3-8 se encuentran los valores de los flujos de energía o másicos y el índice de
costos tomados de Seider [47].
Tabla 3-8. Corrientes utilizadas en los cálculos de costos de producción, índices de costos utilizados y los
flujos de energía del caso base.
Índice
Corriente Utilidad Valor Unidad Unidad
de Costo
Q-101 Vapor de baja 566183739 kJ/h 1,90E-06 USD/kJ
Q-102 Combustible 291926130 kJ/h 4,25E-06 USD/kJ
7 Vapor de alta 1313 kg/h 14,5 USD/kg
4 Vapor de alta 1243 kg/h 14,5 USD/kg
5 Vapor de alta 3418 kg/h 14,5 USD/kg
6 Vapor de alta 11603 kg/h 14,5 USD/kg
Q-Condensador Agua de enfriamiento 8368 m3/h 2,00E-02 USD/m3
Q KEROSENE Agua de enfriamiento 242058 kJ/h 2,12E-07 USD/kJ
Q NAPTHA Agua de enfriamiento 270148 kJ/h 2,12E-07 USD/kJ
Q LGO Agua de enfriamiento 963780 kJ/h 2,12E-07 USD/kJ
Q-100 Vapor de baja 136369831 kJ/h 1,90E-06 USD/kJ
18 Vapor de baja 25000 kg/h 6,6 USD/kJ
PA-1-Q-COOLER Agua de enfriamiento 3210140 kJ/h 2,12E-07 USD/kJ
54 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) –
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Índice
Corriente Utilidad Valor Unidad Unidad
de Costo
PA-2-Q-COOLER Agua de enfriamiento 30026633 kJ/h 2,12E-07 USD/kJ
PA-3-Q-COOLER Agua de enfriamiento 181065124 kJ/h 2,12E-07 USD/kJ
Pre-calentamiento
HCR Combustible 147695630 kJ/h 4,25E-06 USD/kJ
Q-103 Electricidad 84769 kJ/h 1,58E-05 USD/kJ
Q-104 Agua de enfriamiento 5.62E-03 kJ/h 2,12E-07 USD/kJ
Figura 3-8. Diagrama de distribución de cortes arrojado por el simulador Aspen Hysys V8.8. Corte de gas
(rojo), NL (verde), NP (azul), queroseno (fucsia), LGO ligero (magenta), LGO pesado (gris), fondos (negro) y
residuo atmosférico (amarillo)
Tabla 3-10. Límites inferior y superior de las variables independientes del Caso 2
tienen media variabilidad. Se encuentra que las variables flujo de vapor de cima, flujo de
nafta pesada, flujo de queroseno, flujo de LGO, la temperatura de la etapa 10 de la torre
VDU, el flujo másico de la etapa 6 de la torre VDU, la temperatura de la cima de la torre
VDU y el flujo de vapor de la torre VDU son las que ocasionan mayor variación en el error
de las curvas de destilación de la corriente de entrada al HC, nafta pesada, queroseno,
LGO, LVGO, HVGO, porcentaje de remoción de azufre de nitrógeno así como el nitrógeno
a la entrada y salida de la unidad HC. Se encuentra también que el comportamiento
hidráulico de las torres CDU y VDU presentan muy baja variación salvo los casos
mencionados en la sección 3.3 (Porcentaje de inundación, caída de presión, capacidad de
la torre, lloriqueo).
Tabla 3-11. Variables con alto porcentaje de variabilidad en los análisis de sensibilidad.
TOTAL
Flujo de Gas CDU
30,5 55,2 58,5 55,0 70,6 55,3 59,2 44,4 29,9 80,4 57,4 57,6 913,1
(Corriente 8)
Flujo de nafta ligera
68,6 15,7 16,0 12,9 82,4 72,7 72,2 70,5 48,0 41,4 5,9 5,7 760,4
(Corriente 9)
Flujo de nafta pesada
36,9 81,0 84,0 69,9 89,1 76,5 64,5 60,8 42,0 96,3 83,5 83,6 1150,4
(Corriente 10)
Flujo queroseno
81,1 94,3 95,8 79,5 32,5 92,5 93,1 81,7 38,8 99,8 96,3 96,4 1632,5
(Corriente 11)
Flujo de LGO
81,0 71,9 74,8 42,3 20,2 59,4 89,5 90,2 86,6 83,6 72,8 72,8 1169,1
(Corriente 12)
Temperatura etapa 10 91,3 25,3 26,0 12,1 0,0 0,0 0,0 5,2 51,4 8,7 0,5 0,5 402,3
Flujo másico etapa 6 97,2 18,4 19,0 9,7 0,0 0,0 0,0 3,8 45,3 13,2 0,4 0,4 364,4
Temperatura de la
38,5 7,9 7,7 4,1 0,0 0,0 0,0 83,8 29,5 3,5 20,2 20,2 452,6
cima
Flujo de vapor
5,4 0,6 0,6 0,4 0,0 0,0 0,0 81,7 28,1 0,9 0,3 0,3 167,2
(Corriente 20)
TOTAL 551,0 375,0 387,4 288,6 319,9 397,7 403,0 653,2 483,2 430,4 341,0 341,3
58 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) –
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Es de esperar que los flujos de los productos de la unidad CDU ocasionen alta variación
en el error calculado de las curvas TBPs, ya que al retirar un mayor flujo por la corriente
de gas en la unidad CDU se ocasiona aumento en las temperaturas de la TBP de la nafta
ligera (Ver Figura 3-9), permitiendo así retirar mayor cantidad de ligeros. Por el contrario
al reducir el flujo de la corriente de gas de la unidad CDU la corriente de nafta presenta
una mayor proporción en el contenido de ligeros. Por lo anterior, en los intervalos en los
cuales se manipulan los flujos de los cortes se logró determinar un valor que minimiza la
SEM de los cortes.
Figura 3-9. Curvas de variación del error cuadrado de las curvas TBP reales vs. las curvas TBP simuladas
para los cortes de nafta ligera, nafta pesada, queroseno, LGO, residuo, LVGO, HVGO, la corriente de
entrada al HC y la suma del error medio (SEM) de todas las TBPs con respecto al flujo de gas de la torre
CDU para el Caso 1.
Por otro lado, las temperaturas de las etapas 6 y 10 (etapas en las cuales se obtiene el
corte HVGO y se alimenta la corriente de gas y de vapor) influyen en el flujo de HVGO
Capítulo 3. Simulación y análisis del proceso 59
En las Figuras 3-9 y 3-10 se encuentran los resultados con mayor variabilidad del análisis
de sensibilidad, incluyendo variables de calidad y costos operacionales resultado de la
manipulación del flujo de gas de la CDU. Se observa que el valor del flujo de gas de la
CDU en el cual se presenta el mínimo del error para cada curva TBP es diferente. Un
ejemplo de este comportamiento se presenta por ejemplo, al analizar el punto bajo el cual
se obtiene el menor error en la curva de nafta ligera, correspondiente a un flujo de gas en
la CDU de 21000 kg/h, mientras que para nafta pesada se presenta a 14000 kg/h y para
LGO a 28000 kg/h.
Tabla 3-12. Variables seleccionadas para la optimización y % de variación en el SEM de cada TBP
Figura 3-10. Curvas de variación de los costos operativos, nitrógeno total, flujo de, flujo de reposición de
hidrógeno, porcentaje de parafínicos y nafténicos en diésel con respecto a la variación del flujo de gas de la
torre CDU para el Caso 1.
hidroruptura, error en la TBP del corte de nafta pesada, queroseno, residuo, LGO, LGVO,
HVGO, SEM y % parafínicos.
En las Figuras 3-11 y 3-12 se plasman los resultados con mayor variabilidad del análisis
de sensibilidad realizado al flujo de gas de la CDU. Se observa que el valor del flujo de gas
de la CDU en el cual se presenta el mínimo del error para cada TBP es diferente. Por
ejemplo para el menor error en la curva de nafta ligera se presenta a un flujo de gas en la
CDU de 80000 kg/h, mientras que para nafta pesada se presenta a 64000 kg/h y para LGO
a 31000 kg/h. La tendencia presentada es similar a la observada en el Caso 1 y como
resultado se seleccionan las mismas variables a manipular en la optimización, basados en
el valor más alto en la suma de porcentajes de variación (Ver Tabla 3-11) y el
comportamiento presentado en la Figura 3-12.
Figura 3-11. Curvas de variación de los costos operativos, nitrógeno total, flujo de diésel , flujo de reposición
de hidrógeno, porcentaje de nafténicos y azufre en diésel y entrada a HC, respecto a la variación del flujo de
gas de la torre CDU para el Caso 2.
62 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) –
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Figura 3-12. Curvas de variación del error cuadrado de las TBPs de la planta vs las simuladas para los cortes
de nafta ligera, nafta pesada, queroseno, LGO, residuo, LVGO, HVGO, corriente de entrada al HC y la (SEM)
respecto a al flujo de gas de la torre CDU para el Caso 2.
Tabla 3-13. Variables con alto porcentaje de variabilidad en los análisis de sensibilidad. Caso 2
% remoción de nitrógeno en el HC
Rendimiento a diésel en el HC
% azufre a la salida del HC
unidad HC
unidad HC
Total
SEM
HC
Flujo de Gas CDU
(Corriente 8) 25% 28% 60% 65% 0% 63% 64% 86% 11% 90% 48% 30% 21% 25% 83% 53% 47% 39% 39% 1317%
Flujo de nafta ligera
(Corriente 9) 19% 15% 34% 37% 28% 49% 42% 77% 9% 83% 31% 17% 11% 19% 52% 23% 28% 25% 25% 923%
Flujo de nafta
pesada (Corriente
10) 26% 45% 83% 85% 81% 70% 49% 83% 56% 86% 63% 43% 41% 26% 96% 80% 54% 53% 53% 1618%
Flujo queroseno
(Corriente 11) 27% 39% 79% 82% 73% 68% 11% 95% 56% 90% 55% 36% 40% 27% 94% 75% 51% 45% 45% 1518%
Flujo de LGO
(Corriente 12) 4% 18% 36% 37% 34% 18% 8% 24% 56% 21% 61% 40% 47% 4% 58% 33% 8% 12% 12% 732%
Temperatura de la
cima 32% 27% 36% 39% 60% 72% 0% 0% 0% 0% 94% 49% 21% 32% 76% 31% 21% 22% 22% 813%
Flujo de destilado
del vacío (Corriente
20) 4% 2% 0% 1% 3% 11% 0% 0% 0% 0% 64% 25% 4% 4% 4% 3% 2% 1% 1% 160%
Flujo LVGO
(Corriente 21) 3% 1% 1% 1% 5% 6% 0% 0% 0% 0% 34% 36% 5% 3% 8% 2% 1% 1% 1% 144%
Flujo másico etapa 6 22% 21% 22% 22% 3% 92% 0% 0% 0% 0% 1% 7% 25% 22% 43% 0% 1% 0% 0% 483%
Temperatura etapa
10 38% 32% 38% 38% 4% 83% 0% 0% 0% 0% 2% 40% 15% 38% 57% 0% 0% 0% 0% 596%
Total 201% 228% 388% 407% 291% 532% 173% 365% 188% 371% 452% 323% 229% 201% 571% 300% 213% 199% 200%
3.6 Comentarios.
Del análisis de los resultados obtenidos en el presente capítulo es posible establecer
diferentes comportamientos e influencias de las variables independientes del proceso de
estudio sobre la calidad y cantidad del diésel producido. Por ejemplo, las variables
independientes que mayor variación ocasionan en la unidad CDU a las variables
dependientes en los casos 1 y 2 son el flujo de gas, flujo de nafta ligera, flujo de nafta
pesada, flujo de queroseno y flujo de LGO. Las variables independientes que mayor
variación ocasionan en la unidad VDU a las variables dependientes en los casos 1 y 2 son
el flujo de gas, flujo másico en la etapa 6, temperatura de la cima y temperatura en la etapa
10. Estas variables se establecen como las variables de optimización.
Por otro lado, el análisis de sensibilidad permitió identificar las restricciones requeridas
sobre el proceso como lo es el índice de cetano, los porcentajes de los componentes y la
densidad del diésel producido en la unidad de hidroruptura.
4. Optimización del proceso
Una vez realizado el análisis de sensibilidad del Caso 1 y Caso 2, seleccionadas las
variables de optimización y las funciones a minimizar se procede a programar en Matlab
las técnicas metaheurísticas de optimización multiobjetivo NSPSO, NSGA-II y BCMOA,
adaptados del código fuente desarrollado en [7, 28, 49] Estos algoritmos se corrieron
previamente en funciones de prueba multi-objetivo con el fin de seleccionar los dos
algoritmos de mayor desempeño para finalmente realizar la optimización del caso de
estudio: CDU, VDU y HC acopladas. A pesar de que en éste trabajo se requiere una
optimización multiobjetivo, para una posterior investigación sobre el control de proceso se
realiza la verificación de los algoritmos en funciones de prueba mono-objetivo [50, 51],
presentado en el Anexo E.
Tabla 4-1. Funciones de prueba multi-objetivo utilizadas para la selección de los algoritmos.
2
KUR 𝑓1 (𝑥) = ∑ [−10exp(−0.2√𝑥𝑖2 + 𝑥𝑖+1
2
]
𝑖=1
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎 = 3
𝑓2 (𝑥) = ∑ [|𝑥𝑖 |0.8 + 5𝑠𝑒𝑛(𝑥𝑖3 )]
{ 𝑖=1 }
𝑁𝑜 𝑐𝑜𝑛𝑣𝑒𝑥𝑎 𝑦 𝑑𝑖𝑠𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
ZDT1 𝑓1 (𝑥) = 𝑥1
𝑓2 (𝑥) = 𝑔(𝑥) ℎ(𝑓1 (𝑥), 𝑔(𝑥))
9 30
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎 = 𝑔(𝑥) = 1 + ∑ 𝑥𝑖
29 𝑖=2
𝑓1 (𝑥)
ℎ(𝑓1 (𝑥), 𝑔(𝑥)) = 1 − √
{ 𝑔(𝑥) }
𝐶𝑜𝑛𝑣𝑒𝑥𝑎 𝑑𝑖𝑠𝑐𝑜𝑛𝑡í𝑛𝑢𝑎
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑛 = 30
ZDT3 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎
𝑓1 (𝑥) = 𝑥1
𝑓2 (𝑥) = 𝑔(𝑥) ℎ(𝑓1 (𝑥), 𝑔(𝑥))
9 30
= 𝑔(𝑥) = 1 + ∑ 𝑥𝑖
29 𝑖=2
𝑓1 (𝑥) 𝑓1 (𝑥)
ℎ(𝑓1 (𝑥), 𝑔(𝑥)) = 1 − √ −( ) 𝑠𝑒𝑛(10𝜋𝑓1 (𝑥))
{ 𝑔(𝑥) 𝑔(𝑥) }
𝐶𝑜𝑛𝑣𝑒𝑥𝑎 𝑑𝑖𝑠𝑐𝑜𝑛𝑡í𝑛𝑢𝑎
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑛 = 30
𝑁𝑜 𝑐𝑜𝑛𝑣𝑒𝑥𝑎
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑛 = 10
Para cada una de las funciones de prueba se realizan 10 corridas con cada algoritmo, con
el fin de determinar el promedio y la desviación estándar de la dispersión y diversidad [7].
En el Anexo E se presentan los resultados de cada corrida para las funciones. En las
Figuras 4-1, 4-2 y 4-3 se muestran los resultados de la última iteración de las funciones de
prueba multi-objetivo KUR, ZDT1, ZDT3 y ZDT6 para una de las 10 corridas realizadas en
cada algoritmo de optimización. En la Tabla 4-2 se presentan los resultados del promedio
y varianza de la dispersión y diversidad obtenida para cada algoritmo de optimización en
cada función de prueba multi-objetivo en las 10 corridas.
70 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
2 1
0.8
0
0.6
-2
0.4
-4
Objetivo 2
Objetivo2
0.2
-6 0
-0.2
-8
-0.4
-10
-0.6
-12 -0.8
-20 -19 -18 -17 -16 -15 -14 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Objetivo1 Objetivo 1
0.9
0.8
0.7
0.6
Objetivo2
0.5
0.4
0.3
0.2
0.1
0
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Objetivo1
Figura 4-1. Frente Optimo de Pareto real y obtenido en las funciones de prueba KUR (izq. superior), ZDT3
(der. superior), ZDT1 (izq. inferior) y ZDT6 (der. inferior) con el algoritmo BCMOA
De acuerdo al comportamiento mostrado en las Figuras 4-1, 4-2, 4-3 y en la Tabla 4-2 el
algoritmo BCMOA da la mejor aproximación en la función de prueba ZDT6, mientras que
para las demás funciones de prueba es superado por los otros algoritmos. Por otro lado,
el algoritmo NSGA-II da una buena aproximación a las funciones de prueba ZDT1 y ZDT3.
Finalmente el algoritmo NSPSO da una buena aproximación a las funciones de prueba
KUR, ZDT1, ZDT3 y ZDT6.
Capítulo 4. Optimización del proceso 71
2 1.2
1
0
0.8
-2
0.6
0.4
-4
Objetivo 2
Objetivo 2
0.2
-6
0
-8 -0.2
-0.4
-10
-0.6
-12 -0.8
-20 -19 -18 -17 -16 -15 -14 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Objetivo 1 Objetivo 1
3.5
2.5
Objetivo 2 2
1.5
0.5
0
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Objetivo 1
Figura 4-2. Frente Optimo de Pareto real y obtenido en las funciones de prueba KUR (izq. superior), ZDT3
(der. superior), ZDT4 (izq. inferior) y ZDT6 (der. inferior) con el algoritmo NSGA-II
72 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
2 1
0.8
0
0.6
-2
0.4
-4
Objetivo 2
Objetivo 2
0.2
-6 0
-0.2
-8
-0.4
-10
-0.6
-12 -0.8
-20 -19 -18 -17 -16 -15 -14 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Objetivo 1 Objetivo 1
3.5
2.5
2
Objetivo 2
1.5
0.5
0
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Objetivo 1
Figura 4-3. Frente Optimo de Pareto real y obtenido en las funciones de prueba KUR (izq. superior), ZDT3
(der. superior), ZDT1 (izq. inferior) y ZDT6 (der. inferior) con el algoritmo NSPSO
Los algoritmos que presentan una menor dispersión y diversidad en el FOP son el NSPSO
y NSGA-II (ver Tabla 4-2). En la Figura 4-1 y 4-2 se observa que los individuos generados
en la última iteración el algoritmo BCMOA y NSGA-II están un poco alejados del FOPreal
Capítulo 4. Optimización del proceso 73
en la función de prueba ZDT3. Por otro lado, en la función ZDT6 los algoritmos NSPSO y
NSGA-II presentaron algunos individuos que no estuvieron en las cercanías del FOPreal
como se observa en las Figuras 4-2 y 4-3, contrario al desempeño del BCMOA, donde
todos sus individuos se encuentran en el frente. Estos resultados son semejantes a los
obtenidos por Monroy & Martinez [52] quienes realizan los análisis del desempeño a los
algoritmos BCMOA, NSPSO-M (Modificado por los autores) y NSGA-II a las funciones de
prueba SCH, FON, POL y ZDT2, encontrando que los algoritmos NSGA-II y NSPSO
ofrecen menores dispersiones y diversidades.
Por lo anterior, a pesar de que los tres algoritmos tienen un muy buen desempeño, se
seleccionan los algoritmos NSPSO y NSGA-II para desarrollar la optimización multi-
objetivo del problema de producción de diésel.
𝑀𝑎𝑥 𝐹𝐷𝑃
𝑀𝑖𝑛 𝑆𝐸𝑀
𝑠. 𝑎. ∶ 𝑅𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠:
40.000 ≤ 𝐹𝐺 ≤ 50.000 𝑝𝑝𝑚 𝑎𝑧𝑢𝑓𝑟𝑒 < 500
37.000 ≤ 𝐹𝑁𝐿 ≤ 47.000 𝑃𝑢𝑛𝑡𝑜 𝑑𝑒 𝑓𝑙𝑎𝑠ℎ > 66°𝐶
90.000 ≤ 𝐹𝑁𝑃 ≤ 110.000 𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑐𝑒𝑡𝑎𝑛𝑜 > 48
18.000 ≤ 𝐹𝑄 ≤ 22.000 % 𝑣𝑜𝑙. 𝑎𝑟𝑜𝑚á𝑡𝑖𝑐𝑜𝑠 < 35
83.000 ≤ 𝐹𝐿𝐺𝑂 ≤ 105.000 % 𝑣𝑜𝑙. 𝑛𝑎𝑓𝑡é𝑛𝑖𝑐𝑜𝑠 < 30
0,2 ≤ 𝐹𝐶𝐴/𝐹𝑇 ≤ 0,8 % 𝑣𝑜𝑙. 𝑝𝑎𝑟𝑎𝑓í𝑛𝑖𝑐𝑜𝑠 < 55
Para cada problema se realizaron 10 corridas con cada algoritmo con el fin de evaluar la
reproducibilidad del proceso. Los resultados presentados en las siguientes secciones
muestran el resultado unido de las 10 corridas para presentar todas las soluciones no
dominadas encontradas.
Adicional, el FOP del algoritmo NSPSO presenta una mayor cantidad de partículas que
dominan a los individuos obtenidos por el FOP del algoritmo NSGA-II. Finalmente en la
Figura 4-6 se presenta el punto de operación actual de la planta obtenido de los valores
reportados por Chang et al. [43] y el valor obtenido del análisis de sensibilidad (punto negro
y magenta respectivamente). De estos puntos de operación, el punto actual maximiza la
producción de diésel y el punto resultante del análisis de sensibilidad maximiza la calidad
de los cortes producidos en la torre.
5
x 10
-1.1
-1.2
-1.3
-FDP [kg/h]
-1.4
-1.5
-1.6
-1.7
-1.8
0 0.5 1 1.5 2 2.5
SEM
Figura 4-4. FOP obtenido con el algoritmo NSPSO (azul) y región de búsqueda (verde) del caso 1
5
x 10
-1.3
-1.35
-1.4
-1.45
-FDP [kg/h]
-1.5
-1.55
-1.6
-1.65
-1.7
-1.75
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
SEM
Figura 4-5. FOP obtenido con el algoritmo NSGA-II (azul) y región de búsqueda (verde) del caso 1
En las Figuras 4-7 y 4-8 se presentan dos nubes de puntos: la verde representa los
individuos generados en todas las iteraciones y la azul representa los individuos del frente
óptimo de Pareto. Se encuentra que variables como el flujo de nafta ligera, el flujo de
76 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
queroseno y el flujo de LGO tienden a ir hacia uno de los extremos del intervalo (bien sea
superior o inferior). Si la región de búsqueda se ampliara podrían obtenerse otras variables
no dominadas que minimicen el valor de las funciones objetivo. Esto no se logró predecir
en el análisis de sensibilidad ya que sólo se realiza en una dimensión (manipulación de
una sola variable), mientras que el proceso de optimización se realiza en seis dimensiones.
Por otro lado, las variables flujo de vapor de cima, flujo de nafta pesada y relación de
alimentación mostraron que los individuos que pertenecen al FOP se distribuyen en la
región de búsqueda. Finalmente las regiones en blanco representan las zonas en las
cuales la solución de la simulación arroja resultados que no cumplen con las restricciones
planteadas.
5
x 10
-1.3
-1.35
-1.4
-1.45
-FDP [kg/h]
-1.5
-1.55
-1.6
-1.65
-1.7
-1.75
0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6
SEM
Figura 4-6. FOP obtenido con el algoritmo NSGA-II (rojo), NSPSO (verde), punto actual operación (negro) y
punto resultante del análisis de sensibilidad (azul) del caso 1
4 4
x 10 x 10
4 15
2 5
1 0
0 1 2 3 0 1 2 3
SEM SEM
4 4
x 10 x 10
5 8
Flujo Nafta Pesada [kg/h]
3 4
2 2
1 0
0 1 2 3 0 1 2 3
SEM SEM
5
x 10
2 1
Relación alimentación
Flujo LGO [kg/h]
0.8
1.5
0.6
1
0.4
0.5 0.2
0 1 2 3 0 1 2 3
SEM SEM
Figura 4-7. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta ligera, flujo de
nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación) vs SEM. Verde los valores que
cumplen con las restricciones, azul los valores que pertenecen al FOP para el NSPSO para el caso 1
78 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
4 4
x 10 x 10
4 15
3 10
2 5
1 0
0 0.5 1 1.5 2 0 0.5 1 1.5 2
SEM SEM
4 4
x 10 x 10
5 8
Flujo Nafta Pesada [kg/h]
3 4
2 2
1 0
0 0.5 1 1.5 2 0 0.5 1 1.5 2
SEM SEM
5
x 10
2 1
Relación alimentación
Flujo LGO [kg/h]
0.8
1.5
0.6
1
0.4
0.5 0.2
0 0.5 1 1.5 2 0 0.5 1 1.5 2
SEM SEM
Figura 4-8. Resultado de las variables manipuladas (flujo de vapor de cima, flujo de nafta ligera, flujo de nafta
pesada, flujo de queroseno, flujo de LGO y relación de alimentación) vs SEM. Verde los valores que cumplen
con las restricciones, azul los valores que pertenecen al FOP para el NSGA-II para el caso 1
Capítulo 4. Optimización del proceso 79
Para evitar el error de considerar que cualquier flujo de producción de vapor de cima sobre
20000 kg/h o flujo de producción de LGO por encima de 150000 kg/h pertenece al FOP y
maximiza o minimiza el flujo producido en la suma del error de las TBPs se selecciona un
punto del FOP mediante el procedimiento descrito posteriormente de análisis multicriterio.
También se observa que las variables de optimización del FOP (puntos azules en las
Figuras 4-7 y 4-8) usualmente tienen un comportamiento continuo y de baja dispersión [28,
53, 54] Sin embargo, en procesos de gran complejidad como las torres de destilación que
incluyen corrientes laterales y reactores de hidroruptura, debido a efectos de convergencia
se presenta dispersión y discontinuidad de las variables en el FOP [50, 54].
A su vez, en las Figura 4-9 y 4.10 se observa que el punto actual de operación está por
fuera la nube de puntos arrojada por los dos algoritmos para las variables flujo de gas,
flujo de nafta ligera, flujo de nafta pesada, flujo de queroseno y flujo de LGO. En cambio,
el punto resultante del análisis de sensibilidad se encuentra en los límites de la nube de
puntos de los algoritmos de optimización cuando se compara con la función objetivo 𝑆𝐸𝑀;
además de encontrarse fuera de las nubes de puntos cuando se compara con respecto a
la función objetivo – 𝐹𝑃𝐷. Con lo anterior se puede concluir que el punto de operación
actual y el resultante del análisis de sensibilidad se encuentran dominados por una gran
cantidad de individuos y por tanto no representan un estado óptimo de operación.
Para la selección de uno de los individuos o partículas del frente óptimo de Pareto se
emplea la técnica MAUT de toma de decisiones multicriterio, la cual estima una función
parcial para cada atributo y como criterios presenta:
Se restringe el intervalo de selección entre los puntos del frente que presenten
mejor comportamiento en las dos funciones objetivo en relación al punto actual de
operación.
4 4
x 10 x 10
4
3
4
2
2
1
0.2 0.4 0.6 0.8 0.2 0.4 0.6 0.8
SEM SEM
5
x 10
2 1
Relación alimentación
Flujo LGO [kg/h]
0.8
1.5
0.6
1
0.4
0.5 0.2
0.2 0.4 0.6 0.8 0.2 0.4 0.6 0.8
SEM SEM
Figura 4-9. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta ligera, flujo de
nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación) en el FOP vs SEM. Verde
NSPSO, rojo NSGA-II, negro punto actual de operación, azul punto del análisis de sensibilidad del caso 1
82 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
4 4
x 10 x 10
4
14
12
3
10
8
2
6
4
1
-1.8 -1.6 -1.4 -1.2 -1.8 -1.6 -1.4 -1.2
-FDP [kg/h] 5 -FDP [kg/h] 5
x 10 x 10
4 4
x 10 x 10
5 8
Flujo Nafta Pesada [kg/h]
3
4
2
2
1
-1.8 -1.6 -1.4 -1.2 -1.8 -1.6 -1.4 -1.2
-FDP [kg/h] 5 -FDP [kg/h] 5
x 10 x 10
5
x 10
2 1
Relación alimentación
Flujo LGO [kg/h]
0.8
1.5
0.6
1
0.4
0.5 0.2
-1.8 -1.6 -1.4 -1.2 -1.8 -1.6 -1.4 -1.2
-FDP [kg/h] 5 -FDP [kg/h] 5
x 10 x 10
Figura 4-10. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta ligera, flujo de
nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación) en el FOP vs FDP. Verde NSPSO,
rojo NSGA-II, negro punto actual de operación, azul punto del análisis de sensibilidad del caso 1
Capítulo 4. Optimización del proceso 83
Los puntos seleccionados del FOP de los algoritmos NSGA-II y NSPSO arrojan resultados
similares para las variables flujo de queroseno, flujo de LGO y relación de alimentación
(Ver Tabla 4-2) presentando una variación de -80%, 23% y 12% respectivamente
comparado con el punto actual de operación. Esto representa que para lograr aumentar
en un 20% la producción de la corriente de diésel obtenida en el HC se requiere disminuir
la producción de queroseno en un 80%. En cambio los flujos de gas, de nafta ligera y nafta
pesada presentan diversos valores para cada algoritmo. Además, los costos operacionales
permanecen relativamente iguales. Se encuentra un aumento en la producción de diésel
en la unidad HC del 19.1% y una reducción del 16,5% en la suma del error en las TBPs.
Este punto seleccionado le significa a la refinería un aumento de 200000 T/año de diésel
producido, 116000 T/año de flujo de gas y 333000 T/año de flujo de LGO; pero una
reducción de 219000 T/año de flujo de nafta ligera, 23000 T/año de flujo de nafta pesada
y 393000 T/año de flujo de queroseno
Tabla 4-3. Punto seleccionado del FOP que maximiza la producción de diésel y minimiza el error en las TBPs
% variación % variación
Actual NSPSO NSGA-II
por NSPSO por NSGA-II
SEM 0, 38 0, 317 0, 318 -16, 58% -16, 45%
FDP [kg/h] 136000 162132 162026 19, 21% 19, 14%
Flujo de Gas CDU 14209 27521 17532 93,69% 23,39%
Flujo de nafta ligera 147875 122837 142368 -16,93% -3,72%
Flujo de nafta pesada 38375 35684 24006 -7,01% -37,44%
Flujo queroseno 55542 10600 11209 -80,92% -79,82%
Flujo de LGO 161750 199779 200000 23,51% 23,65%
Relación de alimentación 0,5 0,56 0,56 12,45% 11,06%
Costos de producción 3,403 3,405 3,405 0,08% 0,08%
producido en la unidad HC. En las figuras 4-11 y 4-12 se observa discontinuidad no solo
en el frente óptimo de Pareto sino también dos regiones en las cuales las restricciones no
se cumplen.
Semejante al caso 1, en el caso 2 se presentan variables en las cuales las soluciones del
frente óptimo de Pareto en encuentran en el límite de las variables. Es el caso del flujo de
nafta pesado, flujo de queroseno y flujo de LGO (Ver Figuras 4-14 y 4-5). Los flujos de
vapor, nafta ligera y la fracción de alimentación de crudo C no presentan su vector de
valores óptimos en el límite de las variables en el algoritmo NSPSO. Pero la solución dada
por el algoritmo NSGA-II encuentra soluciones en el límite del intervalo para el flujo de
vapor de la sima y el flujo de nafta ligera.
En las Figuras 4-16 y 4-17 se comparan los resultados de las variables manipuladas en el
problema de optimización de cada algoritmo con el punto de operación resultante del
análisis de sensibilidad con respecto a las dos funciones objetivo (𝑆𝐸𝑀 y −𝐹𝐷𝑃). Se
encuentra que el flujo de gas producido en la torre de destilación atmosférica, el flujo de
nafta ligera producida en la torre de destilación atmosférica el flujo de nafta pesada
producida flujo de queroseno, el flujo de LGO producidos en la torre de destilación
atmosférica y la relación de alimentación entre el crudo A y B alimentado a la torre de
destilación atmosférica tienen un comportamiento significativamente parecido en los
resultados que arrojaron los algoritmos de optimización NSPSO y NSGA-II (puntos verdes
y rojos respectivamente).
A su vez, en las Figura 4-12 y 4.13 se observa que el punto de operación determinado por
el análisis de sensibilidad está por fuera la nube de puntos arrojada por los dos algoritmos
para las variables flujo de gas, flujo de nafta ligera, flujo de nafta pesada, flujo de
queroseno, flujo de LGO y relación de alimentación tanto para la función objetivo 𝑆𝐸𝑀
como −𝐹𝐷𝑃
Capítulo 4. Optimización del proceso 85
5
x 10
-1
-1.05
-1.1
-1.15
-FDP [kg/hr]
-1.2
-1.25
-1.3
-1.35
-1.4
0.29 0.3 0.31 0.32 0.33 0.34 0.35 0.36 0.37
SEM
Figura 4-11. FOP obtenido con el algoritmo NSPSO (azul) y región de búsqueda (verde). Caso 2
5
x 10
-1.05
-1.1
-1.15
-FDP [kg/h]
-1.2
-1.25
-1.3
-1.35
-1.4
0.29 0.3 0.31 0.32 0.33 0.34 0.35 0.36 0.37
SEM
Figura 4-12. FOP obtenido con el algoritmo NSGA-II (azul) y región de búsqueda (verde). Caso 2
5
x 10
-1
-1.05
-1.1
-1.15
-FDP [kg/h]
-1.2
-1.25
-1.3
-1.35
-1.4
0.29 0.3 0.31 0.32 0.33 0.34 0.35 0.36 0.37
SEM
Figura 4-13. FOP obtenido con el algoritmo NSGA-II (rojo), NSPSO (verde), punto actual operación (negro) y
punto resultante del análisis de sensibilidad (azul). Caso 2
86 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
4 4
x 10 x 10
5 5
4.8
4.5
4.6
4.4
4
4.2
4 3.5
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
5 4
x 10 x 10
1.1 2.2
Flujo Nafta Pesada [kg/h]
1.05 2.1
1 2
0.95 1.9
0.9 1.8
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
4
x 10
10.5 1
Relación alimentación
10
Flujo LGO [kg/h]
0.8
9.5
0.6
9
0.4
8.5
8 0.2
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
Figura 4-14. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta ligera, flujo de
nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación) vs SEM. Verde los valores que
cumplen con las restricciones, azul los valores que pertenecen al FOP para el NSPSO. Caso 1
Capítulo 4. Optimización del proceso 87
4 4
x 10 x 10
5 5
4.4
4
4.2
4 3.5
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
4 4
x 10 x 10
10.5 2.2
Flujo Nafta Pesada [kg/h]
9 1.8
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
4
x 10
10.5 1
Relación alimentación
10
Flujo LGO [kg/h]
0.8
9.5
0.6
9
0.4
8.5
8 0.2
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
Figura 4-15. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta ligera, flujo de
nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación) vs SEM. Verde los valores que
cumplen con las restricciones, azul los valores que pertenecen al FOP para el NSGA-II. Caso 2
88 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
4 4
x 10 x 10
5 4.4
4.8
4.2
4.6
4
4.4
3.8
4.2
4 3.6
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
4 4
x 10 x 10
10 2
Flujo Nafta Pesada [kg/h]
9 1.8
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
4
x 10
10.5 1
Relación alimentación
Flujo LGO [kg/h]
10 0.8
9.5 0.6
9 0.4
8.5 0.2
0.25 0.3 0.35 0.4 0.25 0.3 0.35 0.4
SEM SEM
Figura 4-16. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta ligera, flujo de
nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación) en el FOP vs SEM. Verde
NSPSO, rojo NSGA-II, negro punto actual de operación, azul punto del análisis de sensibilidad
Capítulo 4. Optimización del proceso 89
4 4
x 10 x 10
5 4.4
4 3.6
-1.4 -1.3 -1.2 -1.1 -1 -1.4 -1.3 -1.2 -1.1 -1
-FDP [kg/h] 5 -FDP [kg/h] 5
x 10 x 10
4 4
x 10 x 10
10 2
Flujo Nafta Pesada [kg/h]
9 1.8
-1.4 -1.3 -1.2 -1.1 -1 -1.4 -1.3 -1.2 -1.1 -1
-FDP [kg/h] 5 -FDP [kg/h] 5
x 10 x 10
4
x 10
10.5 1
Relación alimentación
Flujo LGO [kg/h]
10 0.8
9.5 0.6
9 0.4
8.5 0.2
-1.4 -1.3 -1.2 -1.1 -1 -1.4 -1.3 -1.2 -1.1 -1
-FDP [kg/h] 5 -FDP [kg/h] 5
x 10 x 10
Figura 4-17. Resultado de las variables manipuladas (Flujo de vapor de cima, flujo de nafta ligera, flujo de
nafta pesada, flujo de queroseno, flujo de LGO y relación de alimentación) en el FOP vs FDP. Verde NSPSO,
rojo NSGA-II, negro punto actual de operación, azul punto del análisis de sensibilidad
90 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU)-
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Se aplica la misma técnica MCDM, con los mismos criterios, determinando que la solución
se debe encontrar en el intervalo [106000 114000] kg/h de flujo de diésel producido y de
[0.28 0.295] de SEM. Se selecciona el valor medio del intervalo de SEM. En la Tabla 4-3
se presentan los valores de las variables independientes y el valor de las funciones objetivo
para los algoritmos NSPSO y NSGA-II.
Los puntos seleccionados del FOP de los algoritmos NSGA-II y NSPSO arrojan resultados
semejantes, así se optimiza hasta un aumento en la producción de diésel en la unidad HC
del 7,9% y una reducción del 2,5% en el error en las TBPs. Este le significa a la refinería
un aumento de 78500 T/año de diésel producido y 43700 T/año de flujo de LGO; pero una
reducción de 30600 T/año de flujo de gas, 31800 T/año de flujo de nafta ligera, 87200
T/año de flujo de nafta pesada y 16800 T/año de flujo de queroseno si se compara con el
punto de operación obtenido del análisis de sensibilidad.
Tabla 4-4. Punto seleccionado del FOP que maximiza la producción de diésel y minimiza el error en las
TBPs. Caso 2.
% variación % variación
Actual NSPSO NSGA-II
por NSPSO por NSGA-II
SEM 0.295 0.287 0.288 -2.59% -2.50%
FDP [kg/h] 103000 111960 111600 7.94% 7.75%
Flujo de Gas CDU 45000 41508 41414 -7.76% -7.97%
Flujo de nafta ligera 42000 38365 38331 -8.65% -8.74%
Flujo de nafta pesada 100000 90040 91028 -9.96% -8.97%
Flujo queroseno 20000 18086 18149 -9.57% -9.26%
Flujo de LGO 93000 97989 99420 5.36% 6.90%
Relación de alimentación 0.5 0.20 0.20 -60.00% -59.90%
Costos de producción 1.682 1.683 1.683 0.06% 0.06%
Capítulo 4. Optimización del proceso 91
Tabla 4-5. Variación porcentual entre los flujos obtenidos en el caso uno al caso dos para los puntos de
operación y los obtenidos en la optimización.
4.5 Comentarios
Una vez realizado el análisis de sensibilidad del Caso 1 y Caso 2, seleccionadas las
variables de optimización y las funciones a minimizar se procede a programar las técnicas
metaheurísticas de optimización multiobjetivo NSPSO, NSGA-II y BCMOA. Estos
algoritmos se corrieron previamente en funciones de prueba mono-objetivo y multi-objetivo
con el fin de seleccionar los dos algoritmos de mayor desempeño para finalmente realizar
la optimización multiobjetivo del caso de estudio: CDU, VDU y HC acopladas.
Se encontró que variables como el flujo de nafta ligera, el flujo de queroseno y el flujo de
LGO optimizaron el proceso en el límite inferior o superior de su región de búsqueda tanto
para el caso 1 como para el caso 2. Esto podría dar a entender que sería necesario ampliar
la región de búsqueda de estas variables o permitir que el algoritmo amplíe la región de
búsqueda mediante un criterio por acumulación de individuos en los límites de las
variables.
aumento de 200000 T/a de diésel producido, 116000 T/a de flujo de gas y 333000 T/a de
flujo de LGO; pero una reducción de 219000 T/a de flujo de nafta ligera, 23000 T/a de flujo
de nafta pesada y 393000 T/a de flujo de queroseno. Por lo anterior se requiere plantear
una función de ingresos, ventas o rentabilidad antes de impuestos con el fin de seleccionar
puntos que no vayan en detrimento con las ganancias de la refinería.
5.1 Conclusiones
En este trabajo final de maestría dos métodos de optimización bio-inspirados multi-objetivo
fueron seleccionados y probados para solucionar el complejo problema de aumentar la
producción de diésel en el esquema de una refinería sin sacrificar su calidad ni la de los
demás productos obtenidos. Así, de la metodología de diseño propuesta se concluye que
con dos algoritmos de optimización probados (NSGA-II y NSPSO) se pueden obtener
frentes de Pareto con soluciones que permiten mejorar las condiciones de operación
respecto al caso base. Lo anterior siempre y cuando se ajuste, como se indica en este
documento, los parámetros de funcionamiento de los algoritmos de optimización.
Las variables flujo de nafta ligera, el flujo de queroseno y el flujo de LGO optimizaron el
proceso en el límite inferior o superior de su región de búsqueda tanto para el caso 1 como
para el caso 2. Esto podría dar a entender que sería necesario ampliar la región de
búsqueda de estas variables o permitir que el algoritmo amplíe la región de búsqueda
mediante un criterio por acumulación de individuos en los límites de las variables.
5.2 Recomendaciones
Una vez logrado el objeto de este trabajo final de maestría, en el cual se observa la bondad
de las técnicas metaheurísticas como herramientas de optimización fiables y de buen
desempeño, con el fin de ir robusteciendo el estudio de caso (1 y 2), se pueden recomendar
los siguientes aspectos:
Utilizar funciones de optimización del tipo económicas como pueden ser las ventas,
rentabilidad antes de impuestos o costos de producción, empleando los resultados
del presente trabajo en cuanto a la calidad del diésel y de los cortes producto de
las torres de destilación como restricciones.
Conclusiones 95
Enlazar el paquete de eficiencia energética que tiene Aspen Hysys V8.8 “Aspen
Energy Analizer” a la optimización, mediante código en Matlab, garantizando que
el punto de operación encontrado sea el de menores requerimientos energéticos.
4. Aplicar los procedimientos habituales para una nueva población Qo, como torneo
de selección, cruzamiento y mutación. Unir estas dos poblaciones en un conjunto
Ro de tamaño 2N. Los cuatro pasos anteriores constituyen el procedimiento inicial
para las siguientes generaciones el algoritmo trabaja con Rt y Qt.
5. Formar una población Rt, combinado formado por Pt ∪ Qt. Clasificar esta población
de acuerdo con criterios de no dominancia y la obtención de los conjuntos de
soluciones no dominadas.
7. Aplicar la selección por torneo binario, cruce y mutación para los individuos Pt + 1
y crear una generación Qt + 1.
b) Calcule el tamaño de los pasos quimiotácticos 𝐿𝑇(𝑗), 𝑆𝑇(𝑗) 𝑦 𝑆𝑊(𝑗) para cada
variable de cada bacteria.
Anexo A. Pseudocódigo algoritmos bioinspirados 101
2. Para cada bacteria del archivo 𝐵𝑎𝑐, evalúe las funciones objetivo para la posición actual
(𝐽 (Ɵ𝑖 (𝑗))) y almacenarlas en el archivo 𝑂𝑏𝑗𝐹𝑢𝑛𝑉𝑎𝑙.
5. Para cada bacteria de 𝐹1(𝑗) se genera un vector aleatorio ∆𝑖 (𝑗)𝜖 𝑅𝑃 , donde cada
elemento ∆𝑖 (𝑗) con k = 1, 2, . . . , P es un valor aleatorio entre [−1, 1].
6. Para cada bacteria del frente 𝐹1(𝑗) compare el valor actual de las funciones objetivo
𝐽 (Ɵ𝑖 (𝑗)) con la solución previa 𝐽 (Ɵ𝑖 (𝑗))𝑝𝑟𝑒𝑣 almacenada en el archivo
𝑂𝑏𝑗𝐹𝑢𝑛𝑉𝑎𝑙𝑝𝑟𝑒𝑣 mediante el principio de no-dominancia.
a) Si (Ɵ𝑖 (𝑗))𝑝𝑟𝑒𝑣 domina Ɵ𝑖 (𝑗) la nueva posición para cada variable está dada por la
Ecuación (2-11).
b) Si Ɵ𝑖 (𝑗) domina (Ɵ𝑖 (𝑗))𝑝𝑟𝑒𝑣 la nueva posición para cada variable está dada por la
Ecuación (2-12).
c) Si Ɵ𝑖 (𝑗) y (Ɵ𝑖 (𝑗))𝑝𝑟𝑒𝑣 son no-dominadas, la nueva posición para cada variable está dada
por la Ecuación (2-13).
7. Ahora, cada bacteria débil Ɵ𝑖𝑘 (𝑗) almacenada en el archivo 𝐵𝑎𝑐𝑑𝑜𝑚 selecciona de forma
aleatoria una bacteria fuerte del frente 𝐹1(𝑗) y se mueve de acuerdo a la estrategia
quimiotáctica planteada para el algoritmo. Así, el paso quimiotáctico está dado por la
Ecuación (2-14).
102 Optimización por técnicas metaheurísticas aplicadas a unidades destilación
(CDU) – hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Ɵ𝑖𝑘 (𝑗 + 1) = Ɵ𝑖𝑘 (𝑗)𝑠𝑡𝑟𝑜𝑛𝑔 + Ɵ𝑖𝑘 (𝑗)𝑠𝑡𝑟𝑜𝑛𝑔 𝑅1𝑘 + 𝑆𝑊𝑘 (𝑗) [Ec. A-4]
8. Se aplica la estrategia de muros absorbentes. Cuando una bacteria luego del paso
quimiotáctico sobrepasa las fronteras del espacio de búsqueda, las cuales están dadas por
los variables máximo y mínimo de las variables de decisión k, a esta bacteria se le asigna
el valor máximo posible a dicha variable. Es decir, la bacteria es devuelta a la máxima o
mínima posición posible respecto a cada variable.
9. 𝑂𝑏𝑗𝐹𝑢𝑛𝑉𝑎𝑙𝑝𝑟𝑒𝑣 = 𝑂𝑏𝑗𝐹𝑢𝑛𝑉𝑎𝑙
10. Si 𝑗 ≤ 𝐶𝐻𝑆𝑚𝑎𝑥 , 𝑗 = 𝑗 + 1 y regrese al paso 1.a) del algoritmo. De lo contrario, vaya a
10).
11. Detener el algoritmo.
B. Anexo: Curvas de destilación de
los cortes obtenidos en las torres
CDU y VDU
104 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) –
hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Figura B-1. Curvas de destilación de los cortes de NL, NP, queroseno, LGO, residuo y HVGO.
C. Anexo: Resultados del análisis de
sensibilidad caso 1 y caso 2
Tabla C-1. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 1
salida (reactor 2)
nitrógeno ppmwt
TBP Queroseno
Presión entrada
salida reactor 2
Nitrógeno en la
Nitrógeno en la
reactor 2 bar_g
entrada reactor
entrada reactor
Destilado 430-
% azufre en la
% azufre en la
Presión salida
presión bar_g
reactor bar_g
TBP Residuo
% Remoción
700F %peso
% remoción
Caída de
TBP NP
TBP NL
Pureza
ppmwt
ppmwt
azufre
Flujo de Gas CDU (Corriente 8) 30,5 1.9 27,8 35,4 1,5 55,2 58,5 55,0 0,0 0,6 4,3 59,9 70,6 55,3 25,5
Flujo de nafta ligera (Corriente 9) 68,6 10,0 11,0 15,4 0,8 15,7 16,0 12,9 0,0 0,6 3,6 71,1 82,4 72,7 41,9
Flujo enfriador de recirculación de nafta pesada 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,1 0,0 0,0 0,0 0,0 0,0 0,1 0,0
Delta de temperatura enfriador de recirculación
de nafta pesada 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de queroseno 0,0 0,0 0,1 0,1 0,0 0,5 0,5 0,3 0,0 0,0 0,0 1,8 16,7 20,7 0,0
Delta de temperatura enfriador de recirculación
de queroseno 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de LGO 0,1 0,0 0,3 0,4 0,0 2,2 2,4 1,0 0,0 0,0 0,0 0,4 8,3 20,6 0,1
Delta de temperatura enfriador de recirculación
de LGO 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo de nafta pesada (Corriente 10) 36,9 2,3 40,7 52,9 2,8 81,0 84,0 69,9 0,0 0,5 3,4 3,9 89,1 76,5 28,9
Flujo queroseno (Corriente 11) 81,1 11,0 49,1 68,3 5,1 94,3 95,8 79,5 0,0 0,5 3,8 0,4 32,5 92,5 25,9
Flujo de LGO (Corriente 12) 81,0 6,3 26,5 36,5 1,7 71,9 74,8 42,3 0,0 0,2 1,5 0,3 20,2 59,4 68,7
Temperatura etapa 10 91,3 25,3 20,8 17,5 0,9 25,3 26,0 12,1 0,0 1,0 6,8 0,0 0,0 0,0 0,0
Flujo másico etapa 6 97,2 18,5 17,2 21,1 0,7 18,4 19,0 9,7 0,0 0,9 6,0 0,0 0,0 0,0 0,0
Delta de temperatura de enfriador de
recirculación 3 6,6 0,6 0,6 0,8 0,0 0,6 0,6 0,3 0,0 0,0 0,2 0,0 0,0 0,0 0,0
Flujo másico etapa 4 0,4 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Delta de temperatura de enfriador de
recirculación 2 1,3 0,2 0,0 0,1 0,0 0,0 0,0 0,3 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo LVGO (Corriente 21) 11,7 0,9 1,2 1,4 0,0 1,2 1,2 0,3 0,0 0,0 0,2 0,0 0,0 0,0 0,0
Flujo másico etapa 2 0,2 0,2 0,0 0,0 0,0 0,0 0,0 0,2 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo de enfriador de recirculación 1 0,1 0,2 0,1 0,0 0,0 0,1 0,1 0,1 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Temperatura de la cima 38,5 13,8 8,0 1,9 0,9 7,9 7,7 4,1 0,0 0,1 0,5 0,0 0,0 0,0 0,0
Flujo de vapor (Corriente 20) 5,4 0,4 0,6 0,7 0,0 0,6 0,6 0,4 0,0 0,0 0,1 0,0 0,0 0,0 0,0
TOTAL 551,0 91,5 204,0 252,6 14,5 375,0 387,4 288,6 0,0 4,4 30,3 137,8 319,9 397,7 191,0
108 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) – hidroruptura (HC)
para mantener rendimiento y calidad del diésel obtenido
Tabla C-1. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 1 (Continuación)
ppmwt 430-700F
Nitrógeno básico
ppmwt 430-700F
producción/1000
Flujo de entrada
Nitrógeno Total
específica 430-
Flujo destilado
430-700F kg/h
al reactor kg/h
°API destilado
% Parafínicos
% Aromáticos
Azufre ppmwt
% Nafténicos
TBP VGO-2
TBP HVGO
TBP LVGO
Gravedad
TBP LGO
430-700F
430-700F
430-700F
430-700F
430-700F
Costos
700F
M
Flujo de Gas CDU (Corriente 8) 59,2 44,4 29,9 7,7 40,6 9,4 0,1 4,8 0,8 80,4 57,4 57,6 2,1 10,5 2,6
Flujo de nafta ligera (Corriente 9) 72,2 70,5 48,0 9,4 59,5 1,2 0,1 0,5 0,1 41,4 5,9 5,7 1,8 2,1 0,5
Flujo enfriador de recirculación de nafta pesada 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,1 0,0 0,0 0,0 0,0 0,0
Delta de temperatura enfriador de recirculación
de nafta pesada 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de queroseno 0,9 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,2 0,5 0,5 0,0 0,0 0,0
Delta de temperatura enfriador de recirculación
de queroseno 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de LGO 23,5 0,1 0,1 0,0 0,0 0,0 0,0 0,1 0,0 0,7 2,3 2,3 0,2 0,2 0,1
Delta de temperatura enfriador de recirculación
de LGO 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo de nafta pesada (Corriente 10) 64,5 60,8 42,0 11,2 38,0 13,2 0,1 6,3 1,0 96,3 83,5 83,6 2,6 12,9 3,2
Flujo queroseno (Corriente 11) 93,1 81,7 38,8 25,3 51,3 35,0 0,1 20,3 3,2 99,8 96,3 96,4 57,1 18,4 17,8
Flujo de LGO (Corriente 12) 89,5 90,2 86,6 2,1 87,0 6,4 0,2 3,0 0,5 83,6 72,8 72,8 8,7 7,0 2,4
Temperatura etapa 10 0,0 5,2 51,4 25,4 68,0 0,8 0,0 0,1 0,0 8,7 0,5 0,5 0,1 0,1 0,0
Flujo másico etapa 6 0,0 3,8 45,3 18,8 62,8 1,1 0,0 0,2 0,0 13,2 0,4 0,4 0,2 0,1 0,1
Delta de temperatura de enfriador de
recirculación 3 0,0 21,6 25,0 0,7 0,4 0,0 0,0 0,0 0,0 0,5 0,0 0,0 0,0 0,0 0,0
Flujo másico etapa 4 0,0 0,9 1,7 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Delta de temperatura de enfriador de
recirculación 2 0,0 43,0 1,9 0,2 43,4 0,4 0,0 0,4 0,1 0,5 0,2 0,2 0,8 0,4 0,4
Flujo LVGO (Corriente 21) 0,0 42,2 51,9 1,4 41,9 0,5 0,0 0,5 0,1 0,2 0,4 0,4 0,9 0,8 0,5
Flujo másico etapa 2 0,0 21,4 1,5 0,1 26,0 0,3 0,0 0,3 0,0 0,3 0,2 0,2 0,6 0,4 0,3
Flujo de enfriador de recirculación 1 0,0 2,0 1,4 0,1 1,0 0,3 0,0 0,2 0,0 0,1 0,3 0,3 0,3 0,6 0,2
Temperatura de la cima 0,0 83,8 29,5 8,8 74,2 21,3 0,0 6,1 1,0 3,5 20,2 20,2 15,4 8,4 8,0
Flujo de vapor (Corriente 20) 0,0 81,7 28,1 0,4 41,8 0,2 0,0 0,2 0,0 0,9 0,3 0,3 0,5 0,7 0,2
TOTAL 403,0 653,2 483,2 111,6 635,8 90,1 0,7 43,0 6,8 430,4 341,0 341,3 91,1 62,6 36,4
Anexo C. Resultados del análisis de sensibilidad Caso 1 y Caso 2 109
Tabla C-1. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 1 (Continuación)
Watson K 430-700F
Viscosidad a 100F
WART reactor 2 C
Max inundación %
Pour Point C 430-
Smoke Poinr mm
Indice de cetano
Flujo Makeup H2
MON 430-700F
RON 430-700F
STD_m3/h
430-700F
430-700F
430-700F
700F
700F
700F
CDU
m
Flujo de Gas CDU (Corriente 8) 2,5 2,5 1,1 6,2 2,5 5,1 3,2 1,1 3,7 11,8 0,1 0,1 39,0 3,4 6,5
Flujo de nafta ligera (Corriente 9) 0,9 0,9 0,1 0,9 0,1 0,2 1,0 0,1 0,4 8,3 0,2 0,0 68,2 6,5 6,1
Flujo enfriador de recirculación de nafta pesada 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 3,0 0,0 0,9
Delta de temperatura enfriador de recirculación
de nafta pesada 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de queroseno 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 44,3 10,2 15,5
Delta de temperatura enfriador de recirculación
de queroseno 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de LGO 0,1 0,1 0,0 0,2 0,1 0,1 0,1 0,0 0,0 0,1 0,0 0,0 18,9 11,9 15,7
Delta de temperatura enfriador de recirculación
de LGO 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo de nafta pesada (Corriente 10) 3,0 2,9 1,4 8,4 6,1 11,2 4,3 1,5 5,0 9,8 0,2 0,1 3,4 3,4 5,7
Flujo queroseno (Corriente 11) 39,9 40,1 1,8 32,5 9,7 14,9 56,2 2,6 32,1 20,2 0,4 0,3 4,9 1,7 5,2
Flujo de LGO (Corriente 12) 4,9 4,9 0,5 3,9 4,3 6,1 5,4 0,6 3,7 3,7 0,1 0,1 15,1 8,1 5,8
Temperatura etapa 10 0,0 0,0 0,0 0,1 0,0 0,1 0,1 0,0 0,6 21,0 0,1 0,0 0,0 0,0 0,0
Flujo másico etapa 6 0,1 0,1 0,0 0,2 0,0 0,1 0,2 0,0 0,5 14,7 0,1 0,0 0,0 0,0 0,0
Delta de temperatura de enfriador de
recirculación 3 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,6 0,0 0,0 0,0 0,0 0,0
Flujo másico etapa 4 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Delta de temperatura de enfriador de
recirculación 2 0,6 0,6 0,0 0,5 0,0 0,3 0,6 0,0 2,3 0,1 0,0 0,0 0,0 0,0 0,0
Flujo LVGO (Corriente 21) 0,8 0,8 0,0 0,6 0,0 0,4 0,8 0,1 2,8 1,1 0,0 0,0 0,0 0,0 0,0
Flujo másico etapa 2 0,5 0,5 0,0 0,4 0,0 0,2 0,5 0,0 2,3 0,1 0,0 0,0 0,0 0,0 0,0
Flujo de enfriador de recirculación 1 0,4 0,4 0,0 0,2 0,0 0,2 0,4 0,0 1,0 0,1 0,0 0,0 0,0 0,0 0,0
Temperatura de la cima 12,2 12,3 0,1 8,4 1,3 3,3 17,2 0,6 8,7 5,5 0,1 0,0 0,0 0,0 0,0
Flujo de vapor (Corriente 20) 0,3 0,3 0,0 0,3 0,0 0,2 0,3 0,0 1,7 0,3 0,0 0,0 0,0 0,0 0,0
TOTAL 66,2 66,5 5,2 62,9 24,2 42,6 90,3 6,7 64,7 97,7 1,3 0,6 196,9 45,1 61,3
110 Optimización por técnicas metaheurísticas aplicadas a unidades destilación (CDU) – hidroruptura (HC)
para mantener rendimiento y calidad del diésel obtenido
Tabla C-1. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 1 (Continuación)
Max inundación %
Diámetro LGO m
Máx inundacion
Máx inundación
Máx inundación
Diámetro NP m
Diámetro torre
Altura LGO m
queroseno %
queroseno m
Altura NP m
Diámetro
LGO %
TOTAL
VDU m
NP %
VDU
Flujo de Gas CDU (Corriente 8) 0,0 0,0 0,0 2,6 0,0 0,0 1,8 0,0 0,0 1,6 3,7 1,0 3,6 481,9
Flujo de nafta ligera (Corriente 9) 0,0 0,0 0,0 9,9 0,0 0,0 5,8 6,7 0,0 12,1 5,1 1,3 3,3 422,8
Flujo enfriador de recirculación de nafta pesada 0,0 0,0 0,0 0,1 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,3
Delta de temperatura enfriador de recirculación
de nafta pesada 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de queroseno 0,0 0,0 0,0 7,8 0,0 0,0 3,8 0,0 0,0 0,0 0,0 0,0 0,0 40,8
Delta de temperatura enfriador de recirculación
de queroseno 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo enfriador de recirculación de LGO 0,0 0,0 0,0 2,7 0,0 0,0 4,0 6,7 0,0 15,8 0,0 0,0 0,0 35,8
Delta de temperatura enfriador de recirculación
de LGO 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
Flujo de nafta pesada (Corriente 10) 0,0 40,0 0,0 36,3 0,0 0,0 1,2 6,7 0,0 15,8 5,6 1,5 3,6 572,7
Flujo queroseno (Corriente 11) 0,0 0,0 0,0 0,7 69,2 0,0 34,4 13,3 0,0 20,3 11,1 3,0 3,6 639,8
Flujo de LGO (Corriente 12) 0,0 0,0 0,0 1,9 0,0 0,0 3,0 66,7 0,0 42,2 22,6 6,4 14,2 491,1
Temperatura etapa 10 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 12,5 3,4 3,9 227,2
Flujo másico etapa 6 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 28,2 8,2 7,5 208,7
Delta de temperatura de enfriador de
recirculación 3 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 1,9 0,5 3,6 10,4
Flujo másico etapa 4 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,7
Delta de temperatura de enfriador de
recirculación 2 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 2,0
Flujo LVGO (Corriente 21) 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 1,9 0,5 3,6 18,3
Flujo másico etapa 2 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,6
Flujo de enfriador de recirculación 1 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,7
Temperatura de la cima 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 1,9 0,5 3,7 83,3
Flujo de vapor (Corriente 20) 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 1,9 0,5 3,6 8,7
TOTAL 0,0 40,0 0,0 62,1 69,2 0,0 53,9 100,0 0,0 107,7 96,1 26,7 54,2
Anexo C. Resultados del análisis de sensibilidad Caso 1 y Caso 2 111
Tabla C-2. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 2
% remoción de nitrógeno en el HC
% remoción de azufre en el HC
% azufre a la entrada del HC
Tabla C-2. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 2 (Continuación)
SEM
Flujo de Gas CDU (Corriente 8) 86% 11% 90% 48% 30% 21% 25% 7% 1% 83% 53% 47% 10% 7% 39% 39%
Flujo de nafta ligera (Corriente 9) 77% 9% 83% 31% 17% 11% 19% 4% 1% 52% 23% 28% 8% 6% 25% 25%
Flujo de nafta pesada (Corriente 10) 83% 56% 86% 63% 43% 41% 26% 7% 1% 96% 80% 54% 18% 7% 53% 53%
Flujo queroseno (Corriente 11) 95% 56% 90% 55% 36% 40% 27% 7% 1% 94% 75% 51% 14% 8% 45% 45%
Flujo de LGO (Corriente 12) 24% 56% 21% 61% 40% 47% 4% 1% 0% 58% 33% 8% 5% 1% 12% 12%
Temperatura de la cima 0% 0% 0% 94% 49% 21% 32% 3% 0% 76% 31% 21% 14% 4% 22% 22%
Flujo de destilado del vacío (Corriente 20) 0% 0% 0% 64% 25% 4% 4% 0% 0% 4% 3% 2% 4% 2% 1% 1%
Flujo LVGO (Corriente 21) 0% 0% 0% 34% 36% 5% 3% 1% 0% 8% 2% 1% 3% 2% 1% 1%
Flujo másico etapa 6 0% 0% 0% 1% 7% 25% 22% 0% 0% 43% 0% 1% 0% 0% 0% 0%
Temperatura etapa 10 0% 0% 0% 2% 40% 15% 38% 0% 0% 57% 0% 0% 0% 0% 0% 0%
Total 365% 188% 371% 452% 323% 229% 201% 30% 5% 571% 300% 213% 77% 37% 199% 200%
Anexo C. Resultados del análisis de sensibilidad Caso 1 y Caso 2 113
Tabla C-2. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 2 (Continuación)
Tabla C-2. Porcentaje máximo de variación de las variables manipuladas en el intervalo de las variables independientes. Caso 2 (Continuación)
despojador de LGO
destilación VDU
pesada
Total
Flujo de Gas CDU (Corriente 8) 0% 0% 9% 0% 17% 33% 0% 6% 3% 2% 1317%
Flujo de nafta ligera (Corriente 9) 0% 0% 7% 0% 17% 32% 0% 3% 3% 0% 923%
Flujo de nafta pesada (Corriente 10) 0% 0% 9% 0% 17% 32% 0% 9% 16% 2% 1618%
Flujo queroseno (Corriente 11) 0% 71% 42% 0% 17% 32% 0% 8% 14% 2% 1518%
Flujo de LGO (Corriente 12) 0% 0% 0% 0% 71% 40% 0% 8% 15% 2% 732%
Temperatura de la cima 0% 0% 0% 0% 0% 0% 0% 0% 9% 0% 813%
Flujo de destilado del vacío (Corriente 20) 0% 0% 0% 0% 0% 0% 0% 0% 9% 0% 160%
Flujo LVGO (Corriente 21) 0% 0% 0% 0% 0% 0% 0% 0% 10% 0% 144%
Flujo másico etapa 6 0% 0% 0% 0% 0% 0% 0% 22% 13% 6% 483%
Temperatura etapa 10 0% 0% 0% 0% 0% 0% 0% 13% 3% 3% 596%
Total 0% 71% 67% 0% 138% 169% 0% 69% 96% 17%
D. Anexo: Funciones de prueba
mono-objetivo y multi-objetivo
116 Optimización por técnicas metaheurísicas aplicadas a unidades destilación
(CDU) – hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Dimensión
# minimos
locales
Función Ecuación Mínimo global
GOLDSTEIN-
4 4 La función usualmente se evalúa en la región comprendida por xi ∈
PRICE
[-2, 2], para todo i = 1, 2,
5
ROSENBROCK 0
10 La función usualmente se evalúa en la región comprendida por xi ∈
[-5, 10], para todo i = 1, …, d,
SHUBERT 2 760
La función usualmente se evalúa en la región comprendida por xi ∈
[-10, 10], para todo i = 1, 2
HARTMANN 3 3 M
Anexo D. Funciones de prueba mono-objetivo y multi-objetivo 117
Dimensión
# minimos
locales
Función Ecuación Mínimo global
HARTMANN 6 6 M
4 5
SHEKEL 4 7
4 10
5 0
ZAKHAROV
10 0 La función usualmente se evalúa en la región comprendida por xi ∈
[-5, 10], para todo i = 1, …, d,
Donde M: muchos
118 Optimización por técnicas metaheurísicas aplicadas a unidades destilación
(CDU) – hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
400
300
f(x)
200
100
0
15
10
10
5
5
0
X2 0 -5
X1
0.5
0
f(x)
-0.5
-1
20
10 20
0 10
0
-10 -10
X2 -20 -20
X1
5
x 10
12
10
8
f(x)
0
2
2
1
1
0 0
-1 -1
-2 -2
X2 X1
5
x 10
15
10
f(x)
5
0
10
5 10
0 5
0
-5 -5
X2 -10 -10
X1
300
200
100
f(x)
-100
-200
2
1 2
0 1
0
-1 -1
X2 -2 -2
X1
4
x 10
4
f(x)
0
10
5 10
0 5
0
-5 -5
X2 -10 -10
X1
En la Tabla D-2 se presentan los parámetros utilizados para cada uno de los algoritmos
utilizados. Se aclara que los parámetros comunes en cada algoritmo son el número de
individuos utilizados y el criterio de parada (200 iteraciones); los otros parámetros son
propios de cada algoritmo y siguen una lógica que les permita remedar el comportamiento
biológico que los distinguen. Por ejemplo, los algoritmos genéticos se caracterizan por
realizar cruce y mutaciones entre sus individuos lo cual les permite mantener la diversidad
en la población; mientras que los algoritmos basados en enjambres de partículas se basan
en el movimiento direccionado por la posición y velocidad de las partículas con mejor valor
de la función objetivo.
En la Tabla 4-3 y 4-4 se resaltan en gris las soluciones obtenidas por el algoritmo que
tuvieron cercanías menores al 1% a la solución real. Por lo anterior, el algoritmo BCMOA
encontró la solución a 3 de las 13 funciones de prueba planteadas, el algoritmo NSGA-II
encontró la solución a 7 de las 13 funciones de prueba planteadas y el algoritmo NSPSO
encontró la solución a 9 de las 13 funciones de prueba planteadas. Además, cuando el
algoritmo logró llegar a la respuesta el valor del promedio de las variables 𝑥 corresponde
a la solución matemática del problema. Por otro lado, ninguno de los algoritmos en todas
sus 10 corridas lograron encontrar la respuesta en las funciones de prueba Shekel 5,
Shekel 7 y Rosenbrock 10. A pesar de lo anterior tanto el algoritmo NSGA-II y NSPSO
lograron encontrar el valor mínimo de 𝑓(𝑥) en las funciones Shekel 5 y Shekel 7 en al
menos 3 de las 10 corridas.
En la Tabla D-4 se resaltan las celdas con verde si la varianza es menor a 0.05. Este valor
indica la variabilidad del vector solución y la función objetivo es baja en las diez corridas
realizadas y por tanto es confiable el uso del algoritmo en un problema del cual no se
conoce solución. Se encuentra nuevamente que los algoritmos NSGA-II y NSPSO tienen
una mayor cantidad de datos con menor varianza.
En la Tabla D-5 se presenta el tiempo que dura cada algoritmo en realizar 10 corridas para
cada función de prueba. Se encuentra que los algoritmos que menor tiempo emplean en
llegar a la solución óptima son el BCMOA y el NSPSO, contrario a lo encontrado por
Contreras [50] en donde los algoritmos con menor tiempo fueron BCMOA y NSGA-II,
respectivamente. Esto puede deberse a la diferencia de programación realizada en los dos
trabajos. Para el caso particular del NSGA-II la evaluación de la función objetivo se realizó
para los 100 individuos al mismo tiempo (gracias a la programación vectorial que se puede
realizar en MATLAB), mientras que en los algoritmos NSPSO y BCMOA se realizó la
evaluación de cada individuo de forma separada.
122 Optimización por técnicas metaheurísicas aplicadas a unidades destilación
(CDU) – hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Tabla D-3. Promedio de f(x) y x para los algoritmos BCMOA, NSGA-II y NSPSO en las funciones de prueba
mono-objetivo
Rosenbrock 10
Rosenbrock 5
Zakharov 10
Rosenbrock
Zakharov 5
Hartmann
Goldstein
Shekel 10
Shekel 5
Shekel 7
Shubert
EASOM
Branin
X1 NA 3,12 0,00 0,98 -4,25 0,04 1,67 1,59 2,90 0,29 -1,14 -0,73 -0,45
X2 NA 3,16 -1,00 0,98 -6,14 0,56 1,68 1,61 2,77 0,66 0,47 -1,50 -0,28
X3 0,85 0,17 1,59 2,95 0,65 -0,35 0,30 0,47
X4 0,17 1,59 2,68 0,73 -0,51 -0,23 -0,90
X5 1,14 0,38 0,71 -0,84
BCMOA
X6 -0,35 0,25
X7 -0,02 -1,01
X8 -1,49 -0,46
X9 -0,09 -0,24
X10 2,46 1,90
f(X) 0,40 -0,99 3,00 0,03 -186,70 -3,86 -4,81 -5,06 -5,40 78,21 73800 17,32 158,70
X1 NA 3,14 0,00 1,01 -0,61 0,11 4,10 4,50 4,70 0,91 0,68 0,00 0,68
X2 NA 0,00 -1,00 1,02 -1,62 0,56 4,10 4,30 3,50 0,84 0,47 0,00 0,47
X3 0,85 0,41 4,50 4,70 0,75 0,23 0,00 0,23
X4 0,41 4,30 3,50 0,71 0,07 0,00 0,07
X5 0,90 0,02 -0,01 0,02
NSGA-II
X6 0,02 0,02
X7 0,02 0,02
X8 0,02 0,02
X9 0,02 0,02
X10 0,01 0,01
f(X) 0,40 -1,00 3,00 0,00 -186,73 -3,86 -9,14 -9,21 -5,58 0,79 6,85 0,00 6,85
X1 NA 3,14 0,00 1,00 -2,50 0,11 0,19 2,20 4,00 1,00 0,65 0,00 0,00
X2 NA 3,14 -1,00 1,00 -2,87 0,56 0,19 2,20 4,00 1,00 0,45 0,00 0,00
X3 0,85 0,19 2,20 4,00 0,99 0,26 0,00 0,00
X4 0,19 2,20 4,00 0,99 0,13 0,00 0,00
X5 0,97 0,05 0,00 0,01
NSPSO
X6 0,02 -0,02
X7 0,01 0,01
X8 0,01 0,00
X9 0,01 0,00
X10 0,00 0,00
f(X) 0,40 -1,00 3,00 0,00 -186,24 -3,86 -6,58 -7,21 -10,53 0,00 6,80 0,00 0,01
Sol 0,40 -1,00 3,00 0,00 -186,73 -3,86 -10,15 -10,40 -10,54 0,00 0,00 0,00 0,00
Anexo D. Funciones de prueba mono-objetivo y multi-objetivo 123
Tabla D-4. Varianza de f(x) y x para los algoritmos BCMOA, NSGA-II y NSPSO en las funciones de prueba
mono-objetivo
Rosenbrock 10
Rosenbrock 5
Zakharov 10
Rosenbrock
Zakharov 5
Hartmann
Goldstein
Shekel 10
Shekel 5
Shekel 7
Shubert
EASOM
Branin
X1 0,00 0,00 0,02 26,94 0,00 4,25 1,32 2,50 0,41 7,06 5,07 8,68
X2 0,00 0,00 0,10 15,10 0,00 4,12 1,39 2,09 0,17 4,63 5,05 7,62
X3 0,00 0,05 1,47 2,66 0,39 3,20 0,37 9,90
X4 0,04 1,30 1,93 0,83 6,16 2,52 17,20
X5 4,28 1,14 0,75 24,03
BCMOA
X6 3,20 24,29
X7 1,43 11,47
X8 8,38 15,32
X9 11,45 16,76
X10 55,54 16,05
f(X) 0,00 0,00 0,00 0,00 0,00 0,00 0,27 0,69 2,74 1197,57 3,49E+09 150,27 8799,16
X1 3,14 0,00 0,00 19,98 0,00 2,49 1,45 2,61 0,01 0,00 0,00 0,00
X2 0,00 0,00 0,00 18,41 0,00 2,49 1,61 2,85 0,05 0,01 0,00 0,01
X3 0,00 0,02 1,45 2,61 0,14 0,01 0,00 0,01
X4 0,02 1,61 2,85 0,40 0,00 0,00 0,00
X5 1,59 0,00 0,00 0,00
NSGA-II
X6 0,00 0,00
X7 0,00 0,00
X8 0,00 0,00
X9 0,00 0,00
X10 0,00 0,00
f(X) 0,00 0,00 0,00 0,00 0,00 0,00 4,12 5,84 6,29 0,29 0,14 0,00 0,14
X1 0,00 0,00 0,00 28,21 0,00 0,02 2,16 0,00 0,00 0,04 0,00 0,00
X2 0,00 0,00 0,00 16,37 0,00 0,02 2,16 0,00 0,00 0,06 0,00 0,00
X3 0,00 0,02 2,16 0,00 0,00 0,05 0,00 0,00
X4 0,02 2,16 0,00 0,00 0,02 0,00 0,00
X5 0,00 0,00 0,00 0,00
NSPSO
X6 0,00 0,00
X7 0,00 0,00
X8 0,00 0,00
X9 0,00 0,00
X10 0,00 0,00
f(X) 0,00 0,00 0,00 0,00 1,95 0,00 5,46 6,78 0,00 0,00 1,09 0,00 0,00
124 Optimización por técnicas metaheurísicas aplicadas a unidades destilación
(CDU) – hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Tabla D-5. Tiempo de ejecución del algoritmo en segundos para las 10 corridas realizadas.
Rosenbrock 10
Rosenbrock 5
Zakharov 10
Rosenbrock
Zakharov 5
Hartmann
Goldstein
Shekel 10
Shekel 5
Shekel 7
Shubert
EASOM
Branin
Tabla E-1. Mejor individuo para cada una de las corridas realizadas en la función de prueba Branin con los
algoritmos BMCOA, NSGA-II y NSPSO
Tabla E-2. Mejor individuo para cada una de las corridas realizadas en la función de prueba EASOM con los
algoritmos BMCOA, NSGA-II y NSPSO
Tabla E-2. Mejor individuo para cada una de las corridas realizadas en la función de prueba Goldstein con los
algoritmos BMCOA, NSGA-II y NSPSO
Tabla E-4. Mejor individuo para cada una de las corridas realizadas en la función de prueba Rosenbrock con
los algoritmos BMCOA, NSGA-II y NSPSO.
Tabla E-5. Mejor individuo para cada una de las corridas realizadas en la función de prueba Shubert con los
algoritmos BMCOA, NSGA-II y NSPSO
Tabla E-3. Mejor individuo para cada una de las corridas realizadas en la función de prueba Hartmann con
los algoritmos BMCOA, NSGA-II y NSPSO
Corrida
Tabla E-4. Mejor individuo para cada una de las corridas realizadas en la función de prueba Shekel-7 con los algoritmos BMCOA, NSGA-II y NSPSO
Corrida
Tabla E-9. Mejor individuo para cada una de las corridas realizadas en la función de prueba Shekel-10 con los algoritmos BMCOA, NSGA-II y NSPSO
Corrida
Tabla E-5. Mejor individuo para cada una de las corridas realizadas en la función de prueba Rosenbrockl-5 con los algoritmos BMCOA, NSGA-II y NSPSO
Corrida
Tabla E-6. Mejor individuo para cada una de las corridas realizadas en la función de prueba Zakharov-5 con los algoritmos BMCOA, NSGA-II y NSPSO
Corrida
Tabla E-72. Mejor individuo para cada una de las corridas realizadas en la función de prueba Rosenbrock - 10 con los algoritmos BMCOA, NSGA-II y NSPSO
Corrida 0 1 2 3 4 5 6 7 8 9 10 P V
X1 -1,374 1,231 2,621 -4,532 -0,521 -1,316 1,654 -4,938 0,581 -4,831 -1,143 7,056
X2 0,819 1,621 1,920 2,709 -1,774 0,110 0,436 1,924 -4,878 1,827 0,471 4,628
X3 -1,410 0,401 -0,911 0,304 -0,050 0,343 -0,046 0,437 2,393 -4,911 -0,345 3,203
X4 -0,678 -0,524 -0,047 2,421 -4,941 -0,024 -4,962 -0,299 1,398 2,557 -0,510 6,161
BCMOA
X5 -0,490 -1,405 -1,349 0,895 1,696 1,020 0,920 1,064 0,026 1,457 0,383 1,139
X6 -1,612 0,639 -0,789 1,490 0,420 1,012 -4,965 0,043 -0,752 0,996 -0,352 3,202
X7 0,837 0,501 -0,728 1,463 -0,502 -1,998 1,696 -1,861 0,152 0,253 -0,019 1,429
X8 1,056 0,630 2,585 0,172 -4,917 -0,287 -4,897 0,661 -4,953 -4,955 -1,491 8,377
X9 0,649 -4,974 0,688 -4,995 3,398 0,613 2,193 -4,949 2,353 4,153 -0,087 11,452
X10 -4,992 9,999 -5,000 10,000 9,556 -4,993 -4,994 10,000 -4,989 9,993 2,458 55,541
f(X) 4987 25687 12719 65208 102465 6053 178502 76860 113659 151856 73800 3491922333
X1 0,668 0,778 0,604 0,730 0,712 0,629 0,657 0,560 0,710 0,783 0,683 0,005
NSGA-II
X2 0,436 0,610 0,366 0,538 0,509 0,399 0,430 0,331 0,494 0,615 0,473 0,009
X3 0,192 0,376 0,137 0,294 0,267 0,158 0,184 0,109 0,243 0,379 0,234 0,008
X4 0,040 0,142 0,028 0,093 0,084 0,034 0,042 0,025 0,068 0,144 0,070 0,002
X5 0,027 0,029 0,013 0,017 0,023 0,025 0,016 0,000 0,024 0,029 0,020 0,000
Anexo D. Funciones de prueba mono-objetivo y multi-objetivo 133
Corrida 0 1 2 3 4 5 6 7 8 9 10 P V
X6 0,022 0,022 0,005 0,021 0,023 0,019 0,011 0,008 0,016 0,022 0,017 0,000
X7 0,013 0,017 0,015 0,019 0,017 0,016 0,019 0,024 0,012 0,016 0,017 0,000
X8 0,024 0,020 0,009 0,022 0,018 0,020 0,008 0,017 0,031 0,024 0,019 0,000
X9 0,023 0,020 0,014 0,010 0,016 0,026 0,006 0,016 0,027 0,021 0,018 0,000
X10 0,017 0,012 0,003 0,002 0,014 0,006 0,008 0,009 0,013 0,010 0,010 0,000
f(X) 7,057 6,289 7,216 6,583 6,710 7,162 6,996 7,427 6,833 6,275 6,855 0,136
X1 0,475 0,657 0,325 0,864 0,677 0,768 0,452 0,891 0,861 0,502 0,647 0,036
X2 0,225 0,432 0,101 0,749 0,456 0,587 0,201 0,794 0,741 0,249 0,454 0,059
X3 0,035 0,182 0,012 0,570 0,209 0,344 0,046 0,632 0,552 0,052 0,263 0,054
X4 0,005 0,039 0,010 0,335 0,043 0,111 0,016 0,399 0,308 0,006 0,127 0,022
X5 0,012 0,012 0,015 0,119 0,012 0,025 0,006 0,158 0,100 0,016 0,048 0,003
NSPSO
X6 0,023 -0,002 0,016 0,022 0,016 0,016 0,009 0,043 0,021 0,012 0,017 0,000
X7 0,025 0,005 0,015 0,008 0,016 0,013 0,008 0,024 0,006 0,007 0,013 0,000
X8 0,004 0,017 0,011 0,008 0,012 0,001 0,008 0,014 0,017 0,011 0,010 0,000
X9 0,018 0,011 0,012 0,011 0,015 0,009 0,009 0,012 0,014 0,010 0,012 0,000
X10 -0,005 0,007 -0,001 0,006 -0,008 -0,012 -0,002 -0,012 -0,001 -0,003 -0,003 0,000
f(X) 7,823 7,011 8,188 5,445 6,904 6,402 7,794 5,205 5,528 7,666 6,796 1,092
134 Optimización por técnicas metaheurísicas aplicadas a unidades destilación
(CDU) – hidroruptura (HC) para mantener rendimiento y calidad del diésel obtenido
Tabla E-13. Mejor individuo para cada una de las corridas realizadas en la función de prueba Zakharov - 10 con los algoritmos BMCOA, NSGA-II y NSPSO
Corrida 0 1 2 3 4 5 6 7 8 9 10 P V
X1 1,670 1,319 2,203 2,454 -0,922 2,098 -4,965 0,890 -4,943 -4,273 -0,447 8,679
X2 1,197 -1,221 3,942 -0,609 -4,847 -1,101 2,119 1,802 -4,978 0,942 -0,275 7,618
X3 -4,841 -1,039 5,076 1,873 2,034 -4,868 0,263 4,107 0,535 1,512 0,465 9,896
X4 -2,096 2,368 7,621 -4,990 -4,812 -4,919 -4,969 3,795 -0,235 -0,813 -0,905 17,197
BCMOA
X5 -4,835 2,996 9,977 -4,864 0,879 -4,973 3,931 -4,873 -4,916 -1,708 -0,838 24,030
X6 -5,000 0,586 9,993 -4,965 4,718 -4,966 3,795 -4,987 2,634 0,718 0,252 24,286
X7 3,107 -4,955 -4,802 3,519 1,653 1,341 -4,985 -4,875 0,980 -1,037 -1,005 11,473
X8 0,678 -4,927 -4,973 2,291 -4,989 1,129 3,595 5,799 -4,965 1,782 -0,458 15,316
X9 1,626 2,622 -4,883 -4,971 -4,916 3,524 -4,932 6,720 1,670 1,130 -0,241 16,763
X10 3,318 2,723 -4,986 6,902 6,328 3,892 2,772 -4,902 4,181 -1,192 1,904 16,049
f(X) 106,130 82,408 401,111 173,091 166,516 133,533 153,559 211,310 126,830 32,475 158,696 8799,156
X1 0,668 0,778 0,604 0,730 0,712 0,629 0,657 0,560 0,710 0,783 0,683 0,005
X2 0,436 0,610 0,366 0,538 0,509 0,399 0,430 0,331 0,494 0,615 0,473 0,009
X3 0,192 0,376 0,137 0,294 0,267 0,158 0,184 0,109 0,243 0,379 0,234 0,008
X4 0,040 0,142 0,028 0,093 0,084 0,034 0,042 0,025 0,068 0,144 0,070 0,002
NSGA-II
X5 0,027 0,029 0,013 0,017 0,023 0,025 0,016 0,000 0,024 0,029 0,020 0,000
X6 0,022 0,022 0,005 0,021 0,023 0,019 0,011 0,008 0,016 0,022 0,017 0,000
X7 0,013 0,017 0,015 0,019 0,017 0,016 0,019 0,024 0,012 0,016 0,017 0,000
X8 0,024 0,020 0,009 0,022 0,018 0,020 0,008 0,017 0,031 0,024 0,019 0,000
X9 0,023 0,020 0,014 0,010 0,016 0,026 0,006 0,016 0,027 0,021 0,018 0,000
X10 0,017 0,012 0,003 0,002 0,014 0,006 0,008 0,009 0,013 0,010 0,010 0,000
f(X) 7,057 6,289 7,216 6,583 6,710 7,162 6,996 7,427 6,833 6,275 6,855 0,136
X1 -0,004 0,002 0,033 -0,001 -0,029 0,001 0,042 -0,017 0,016 -0,014 0,003 0,000
NSPSO
X2 -0,004 -0,001 0,008 -0,002 0,008 0,012 0,015 -0,016 -0,051 -0,018 -0,005 0,000
X3 0,014 0,008 -0,047 -0,006 0,016 0,000 0,005 0,002 0,018 0,018 0,003 0,000
Anexo D. Funciones de prueba mono-objetivo y multi-objetivo 135
Corrida 0 1 2 3 4 5 6 7 8 9 10 P V
X4 -0,010 0,005 0,039 0,004 0,017 -0,022 -0,007 -0,014 0,026 0,012 0,005 0,000
X5 0,003 -0,007 0,069 0,007 0,015 -0,044 0,034 0,005 -0,013 -0,008 0,006 0,001
X6 0,009 -0,021 -0,027 -0,007 -0,004 -0,067 -0,013 -0,008 -0,103 0,007 -0,023 0,001
X7 -0,001 0,006 0,005 -0,001 -0,018 0,082 0,000 0,052 0,025 -0,004 0,015 0,001
X8 0,004 -0,003 0,057 0,010 0,004 -0,081 -0,034 0,003 0,061 -0,011 0,001 0,001
X9 0,014 0,015 -0,001 -0,001 0,014 -0,021 -0,023 0,001 -0,045 0,000 -0,005 0,000
X10 -0,021 -0,004 -0,075 -0,005 -0,019 0,096 0,032 -0,028 0,034 0,006 0,001 0,002
f(X) 0,001 0,001 0,019 0,000 0,003 0,030 0,006 0,004 0,022 0,001 0,009 0,000
Bibliografía
[1] Internacional Energy Agency , Oil Medium Term Market Report 2015 : Market Analysis
and Forecasts to 2020, OECD, París, 2015.
[4] G. L. Kaes, Refinery Process Modeling, Kingston, Georgia : Kaes Enterprises Inc.,
2000.
[5] H.K. Abdel-Aal, A. Moharned y M.A. Fahim, Petroleum and gas field processing, New
York: Marcel Dekker Inc, 2003.
annealing, Computers and Chemical Engineering, vol. 31, no. 11, pp. 1496-1515,
2007.
[18] H. Zhou, J. Lu, Z. Cao, J. Shi, M. Pan, W. Li y Q. Jiang, Modeling and optimization of
an industrial hydrocracking unit to improve the yield of diesel or kerosene, Fuel, vol.
90, no. 12, pp. 3521-3530, 2011.
[19] J. P. Wauquier, El refino del petróleo, Paris, Francia: Editions Technip, 1994.
[22] American Society for Testing and Materials, Standard Specifications for Diesel Fuel
Oils, West Conshohocken: ASTM International, 2016.
[23] Shell Global Solutions, Key lessons from successful hydrocraker projects,
Hydrocarbon Processing, 2010.
[31] J. Figueira, S. Greco y M. Ehrgott, Multiple Criteria Decision Analysis: State of the art
surveys, Boston: Springer Science-Business Media Inc., 2005.
[32] S. Contreras P., Metodología de diseño de un motor Jaula de Ardilla de alta eficiencia
mediante la implementación de algoritmos de optimización bio-inspirados multi-
objetivo, Bogotá: MsC Thesis Mechanical Engineering Nacional University of
Colombia, 2014.
[34] D. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, MA:
Addison-Wesley, 1989.
[35] H. Kamepalli, The optimal basics for GAs, Potentials, vol. 20, no. 20, pp. 25-27, 2001.
[39] K. Passino, Biomimicry of bacterial foraging for distributed optimization and control,
Control Systems, IEEE, vol. 22, no. 3, pp. 52-67, 2002.
[45] O. Trygve B., Olaf Trygve Berglihn - homepage, NTNU, 2009. [Online]. Available:
http://www.pvv.ntnu.no/~olafb/. [Accessed 28 06 2015].
[48] S&P Global Platts, Methodology y specifications guide Asia Pacific & Middle East
refined oil products, S&P Global, Singapore, 2016.
Bibliografía 141
[50] S. Ochoa, G. Wozny and J. U. Repke, A new algorithm for global optimization:
Molecular-Inspired Parallel Tempering, Computers & Chemical Engineering, vol. 34,
no. 12, pp. 2072-2084, 2010.