SÍNTESIS DE PROCESOS BASADA EN LA OPTIMIZACIÓN PARA EL DESARROLLO SOSTENIBLE.GENERACIÓN DE ENERGÍA.

SÍNTESIS DE PROCESOS BASADA EN LA OPTIMIZACIÓN PARA EL ESARROLLO SOSTENIBLE.GENERACIÓN DE ENERGÍA.

Los procesos avanzados de generación de energía son desafiados por las necesidades de minimización de las emisiones de CO2, mayor eficiencia energética e integración de tecnologías de procesamiento superiores. Estos desafíos también requieren el desarrollo de modelos y estrategias más efectivos para la optimización de procesos a gran escala. Este estudio considera herramientas de optimización y formulaciones para la síntesis de procesos, que destacan entornos de modelado orientados a ecuaciones, modelado no suave a través de condiciones de complementariedad y algoritmos de optimización rápida. Nos centramos especialmente en nuevas formulaciones para la síntesis de procesos que aprovechan estos algoritmos de optimización de última generación. Todos estos se representan formalmente como problemas de programación no lineal (NLP) de dos niveles e incluyen modelos de reactor Gibbs, equilibrio vapor-líquido con fases de desaparición y reaparición, e integración simultánea de calor y optimización de diagramas de flujo. Estas aplicaciones se demuestran en el proceso de síntesis de un proceso de oxidación de carbón para la generación de energía eléctrica limpia.

1.-INTRODUCCION

Las estrategias de síntesis de procesos exploran sistemáticamente configuraciones de procesos casi incontables. Ya sea que se basen en representaciones gráficas, algoritmos basados en reglas o formulaciones de optimización, el objetivo de la síntesis de procesos es la selección de los mejores diseños, con costos reducidos, mayor eficiencia o mayor operatividad. En última instancia, los ingenieros de procesos necesitan sintetizar y optimizar una hoja de flujo de procesos completa con modelos suficientemente detallados. Desafortunadamente, muchas herramientas de simulación comerciales todavía están relacionadas con la optimización completa de las hojas de flujo, lo que restringe el tamaño y el alcance de los problemas de síntesis que se pueden considerar en la práctica. Incluso con paquetes de simulación de vanguardia (por ejemplo, AspenPlus, gPROMS, ProSIM, Pro / II) que ofrecen optimización basada en gradientes, la estructura del modelo de diagramación de flujos generalmente limita la formulación de problemas de optimización no lineales a no más de 100 grados de libertad.

Si bien la integración de la optimización no lineal presenta desafíos exigentes para las herramientas de simulación, muchos de

las capacidades para la optimización a gran escala ya están disponibles en herramientas de modelado de optimización, tales como

GAMS, AMPL y AIMMS. Además, durante los últimos 20 años, familias adicionales de algoritmos de PNL, como

ya que se han desarrollado métodos de puntos interiores que son más adecuados para grandes problemas de optimización.

Estos algoritmos no están disponibles en la mayoría de los simuladores de hojas de flujo comerciales, como los modelos de optimización.

requieren modelos totalmente abiertos, orientados a ecuaciones (EO) con primera y segunda derivadas exactas. PNL a gran escala Algoritmos como CONOPT, IPOPT, KNITRO y LOQO han sido diseñados para explotar estas características y llevan a un rendimiento muy rápido para NLPs con muchos miles de variables y grados de libertad. Además, la extensión de estos modelos de optimización para enteros mixtos no lineales Programación (MINLP), optimización global u optimización bajo incertidumbre (a través de optimización robusta o programación estocástica) todo, pero requiere un entorno de modelado de optimización completamente abierto. Además, los resultados de un estudio de optimización son más que 'solo un número'. Caracterizando la estabilidad (singularidad, curvatura, mal acondicionamiento) del problema, sensibilidad a las perturbaciones, parámetros del modelo e imposición los insumos y el análisis de la actividad de restricción son esenciales para comprender, modificar y aplicar la óptima solución. La ejecución eficiente de este análisis se puede realizar con capacidades eficientes de sensibilidad de PNL que son habilitado por solucionadores rápidos con primera y segunda derivadas exactas (Pirnay et al., 2012).

La disponibilidad de tales capacidades de optimización también permite la consideración de nuevas formulaciones de PNL que surgen con frecuencia en la ingeniería de procesos. En este estudio, nos centramos en las aplicaciones de PNL de dos niveles para la síntesis de procesos. Dichos problemas presentan una serie de desafíos matemáticos, pero son extremadamente útiles para los modelos de síntesis de procesos basados ​​en la optimización. Los ejemplos para la síntesis de diagramas de flujo incluyen modelos de reactor Gibbs que proporcionan comportamientos generales de sistemas complejos de reactor, equilibrios de fase extendidos a la desaparición (y reaparición) de fases, especialmente en separaciones de vapor líquido e intercambiador de calor, y formulaciones de integración de calor que se incluyen como problemas de optimización. Si bien estas aplicaciones son bien conocidas (Clark y Westerberg, 1990), enfatizamos que pueden modelarse y desarrollarse como eficientes problemas de optimización de dos niveles orientados a ecuaciones que se pueden transcribir como Programas Matemáticos con Restricciones de Complementariedad (MPCC). Resolver estos MPCC es ahora posible con formulaciones y algoritmos de NLP eficientes.

Además, la aplicación de modelos MPCC es especialmente útil para la síntesis de procesos de sistemas de energía avanzados. Durante la última década, han surgido tremendas oportunidades para la síntesis de sistemas de energía avanzados que incorporan la captura de CO2 y otras métricas para la sostenibilidad. Estos pueden manejarse naturalmente a través de formulaciones de optimización y ofrecen una gran cantidad de aplicaciones para formulaciones MPCC. UNA

La aplicación particular utilizada en este estudio es el proceso de oxicombustión, que sirve como un ejemplo motivador para la demostración de modelos de síntesis de MPCC. El resto del artículo está organizado de la siguiente manera. La Sección 2 contiene información de antecedentes para la hoja de flujo de oxycombustion que incluye descripciones de los componentes del proceso y desafíos de diseño. La sección 3 a continuación, proporciona antecedentes de dos niveles

Problemas de optimización y la reforma a MPCCs y NLPs. La Sección 4 describe tres aplicaciones de los MPCC, el reactor de Gibbs, el equilibrio de vapor líquido con la desaparición de fase y la formulación de integración de calor integrada. La Sección 5 proporciona un estudio de caso de síntesis de la Unidad de separación de aire (ASU), que demuestra el rendimiento de la optimización basada en MPCC.

2. EL PROCESO DE OXICOMBUSTIÓN.

El impacto de las emisiones de CO2 en el cambio climático y la abundancia de recursos nacionales de carbón motivan el interés en las tecnologías de "carbón limpio". Actualmente existen cuatro métodos populares de reducción de CO2 en las centrales eléctricas de carbón. El método más directo es la captura de carbono posterior a la combustión, donde el CO2 se separa del N2 y otros componentes en el gas combustible de una central de carbón. El CO2 capturado se bombea bajo tierra a altas presiones para mejorar la recuperación de petróleo y / o el secuestro a largo plazo. El segundo enfoque, la captura de carbono de pre combustión, es específico de las centrales eléctricas de ciclo combinado de gasificación integrada (IGCC). El carbón se gasifica primero para crear gas de síntesis; A continuación, el CO se convierte en CO2; y finalmente el CO2 se separa y retirado. El gas de síntesis restante (principalmente H2) se quema para generar energía y vapor. En el tercer enfoque, el uso de bucles químicos, el oxígeno se transporta al carbón a través de un portador químico, como un metal / óxido metálico. Esto crea un flujo de residuos rico en CO2, que puede no requerir un paso de separación extenso.

...