Localización óptima de destilerías autónomas utilizando unSistema de Información Geográfico (SIG)

Guillermo Martínez Pulido1, Alejandra P. Ingaramo1, Mario R. Cesca1 y HumbertoHeluane1

(1) Departamento de Ingeniería de Procesos y Gestión Industrial, Facultad de Ciencias Exactasy Tecnología, Universidad Nacional de Tucumán.{aingaramo,mcesca,hheluane}@herrera.unt.edu.ar

RESUMEN: La biomasa es un recurso renovable que depende de la geografía y que puede ser utilizadapara la producción de energía y de compuestos químicos. En este estudio se aplicó una metodología quepermite determinar la localización óptima de plantas industriales utilizando el sistema de informacióngeográfico. Se analizaron diferentes restricciones y factores ambientales que se incluyen en el modelo deelección del espacio territorial adecuado para la localización de dichas plantas. Se utilizó el ProcesoAnalítico Jerárquico (AHP) para estructurar los factores influyentes en la localización. Como caso deestudio se eligieron las Pequeñas Destilerías Autónomas PDA que tienen un gran impacto en el desarrollosocio-económico del interior de la provincia de Tucumán. En el trabajo se aplica la metodología paraencontrar las mejores localizaciones para cada variable. En el futuro se evaluaran simultáneamente lascapas obtenidas.

1 INTRODUCCION

A partir de la implementación de la Ley Nacional26093 de Biocombustibles que establece que“todo combustible líquido denominado nafta,deberá ser mezclado con un 5% de bioetanol”, serequiere una producción estimada de 345millones de litros de bioetanol por año de loscuales 215 millones aproximadamentecorresponden a satisfacer la demanda para elcorte de los combustibles y 130 millones paraproveer a la industria química, farmacéutica,bebidas, alimentos, etc. Según la Cámara deAlcoholes la producción de las destileríasnacionales en la Zafra 2010-2011 alcanzó los 230millones de litros, produciendo un déficit de casi115 millos de litros para abastecer a todo elmercado Nacional.La instalación de pequeñas destilerías autónomas(PDA), distribuidas en los campos donde seencuentran los cañaverales, obtendrá comoproducto final Etanol Anhidro 99,5º GL y podríadisminuir el déficit actual.Como subproductos se podrían aprovechar elBagazo y los Residuos Agrícolas Cañeros (RAC)como combustibles sólidos otorgándole laautonomía energética a la Planta Industrial. Otrosubproducto será el bagazo enriquecido paraforraje, la recuperación de las vinazas para ferti-riego en los cañaverales circundantes y para sub-productos de alimentación animal. Al tratarse deproducción de alcohol directa de jugo de caña, lacarga orgánica de las vinazas generadas seráconsiderablemente menor a las generadas a partir

de la melaza. Con esta configuración se pretendedarles una alternativa de negocio a los pequeñosproductores, teniendo éstos la posibilidad deagregarle valor a su materia prima.La localización de plantas industriales es untópico de gran importancia al momento de decidirla inversión, ya que está fuertemente asociada alos costos de operación, puesto que de estalocalización dependen, por citar algunos, loscostos de transporte, disponibilidad de recursoshídricos e infraestructura, etc. Los sistemas deinformación geográfico (SIG) son unaherramienta idónea para encarar el problema delocalizar plantas de bioenergía debido a sudependencia de la biomasa. Los SIG han sidoutilizado con éxito para estudiar la ubicación deindustrias (Arifa ,2012; Jagtar, 2011).En este trabajo se estudia la determinación de lamejor ubicación para pequeñas destileríasautónomas (PDA) teniendo en cuenta para ellofactores económicos y ambientales. Losdiferentes criterios de preferencia se analizaron através de factores de peso utilizando el ProcesoAnalítico Jerárquico (AHP) introducido por Saaty(2008).

2 METODOLOGIA

2.1 Recopilado de Información

Se trabajó con aquellos datos disponibles en laprovincia de Tucumán en capas georeferenciadas.Para ello se acudió a la Red de Información parael Desarrollo Productivo de Tucumán (RIDES)perteneciente al Ministerio de Desarrollo

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Productivo de la Provincia de Tucumán donde seobtuvieron las siguientes capas, de ahora enadelante también llamadas variables Superficie implantada con Caña de Azúcar Ubicación de los Ingenios Azucareros Ubicación de Localidades (Urbanizaciones) Cursos de Aguas Rutas Mapa departamental de Provincia de

Tucumán

La limitación del número de capas en estudio eneste trabajo está dada por la disponibilidad deinformación en los organismos públicosresponsables de generar datos e información paraser aprovechados por herramientas informáticascomo software de Sistemas de informaciónGeográfica. Para el manejo de la información, yla asignación de valores a las celdas, y todo eltrabajo que se hizo a posteriori se utilizó elsoftware de Sistema de Información GeográficaIDRISI edición KILIMANJARO, de uso libre.

2.2 Rasterizado

El rasterizado consiste en dividir en celdas opixels todo el territorio que se quiera poner bajoestudio, en nuestro caso se realizó en toda laProvincia de Tucumán. Se propone adoptar lamínima unidad o celda equivalente a unahectárea.Para esto se rasterizó el mapa departamental de laprovincia de Tucumán, y fue tomado como matrizpara todas las otras capas, las cuales sereferenciaron a ésta. En la Figura 1 se muestra elmapa de la provincia de Tucumán rasterizado.

Figura 1. Mapa rasterizado de la provincia de

Tucumán.

2.3 Análisis de Distancias

Este análisis consiste en calcular las distanciasentre las celdas con información y todas lasdemás celdas de la capa. Por ejemplo, si se realizael análisis de preferencia para la variableUbicación de Localidades o Zonas Urbanas, secalcula la distancia que hay entre cada una de lasceldas a aquellas donde hay parte de una ciudad,pueblo o asentamiento urbano.En la imagen de la Figura 2 se puede observarque las celdas toman un color diferente deacuerdo a la distancia a las celdas coninformación para la capa Localidades o ZonasUrbanas (la imagen original es en colores). Ahoratodas las celdas contienen como información unvalor de distancia en metros. Este procedimientose repite para cada una de las variablesconsideradas, generando imágenes similares a lade la Figura 2.

Figura 2

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Productivo de la Provincia de Tucumán donde seobtuvieron las siguientes capas, de ahora enadelante también llamadas variables Superficie implantada con Caña de Azúcar Ubicación de los Ingenios Azucareros Ubicación de Localidades (Urbanizaciones) Cursos de Aguas Rutas Mapa departamental de Provincia de

Tucumán

La limitación del número de capas en estudio eneste trabajo está dada por la disponibilidad deinformación en los organismos públicosresponsables de generar datos e información paraser aprovechados por herramientas informáticascomo software de Sistemas de informaciónGeográfica. Para el manejo de la información, yla asignación de valores a las celdas, y todo eltrabajo que se hizo a posteriori se utilizó elsoftware de Sistema de Información GeográficaIDRISI edición KILIMANJARO, de uso libre.

2.2 Rasterizado

El rasterizado consiste en dividir en celdas opixels todo el territorio que se quiera poner bajoestudio, en nuestro caso se realizó en toda laProvincia de Tucumán. Se propone adoptar lamínima unidad o celda equivalente a unahectárea.Para esto se rasterizó el mapa departamental de laprovincia de Tucumán, y fue tomado como matrizpara todas las otras capas, las cuales sereferenciaron a ésta. En la Figura 1 se muestra elmapa de la provincia de Tucumán rasterizado.

Figura 1. Mapa rasterizado de la provincia de

Tucumán.

2.3 Análisis de Distancias

Este análisis consiste en calcular las distanciasentre las celdas con información y todas lasdemás celdas de la capa. Por ejemplo, si se realizael análisis de preferencia para la variableUbicación de Localidades o Zonas Urbanas, secalcula la distancia que hay entre cada una de lasceldas a aquellas donde hay parte de una ciudad,pueblo o asentamiento urbano.En la imagen de la Figura 2 se puede observarque las celdas toman un color diferente deacuerdo a la distancia a las celdas coninformación para la capa Localidades o ZonasUrbanas (la imagen original es en colores). Ahoratodas las celdas contienen como información unvalor de distancia en metros. Este procedimientose repite para cada una de las variablesconsideradas, generando imágenes similares a lade la Figura 2.

Figura 2

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Productivo de la Provincia de Tucumán donde seobtuvieron las siguientes capas, de ahora enadelante también llamadas variables Superficie implantada con Caña de Azúcar Ubicación de los Ingenios Azucareros Ubicación de Localidades (Urbanizaciones) Cursos de Aguas Rutas Mapa departamental de Provincia de

Tucumán

La limitación del número de capas en estudio eneste trabajo está dada por la disponibilidad deinformación en los organismos públicosresponsables de generar datos e información paraser aprovechados por herramientas informáticascomo software de Sistemas de informaciónGeográfica. Para el manejo de la información, yla asignación de valores a las celdas, y todo eltrabajo que se hizo a posteriori se utilizó elsoftware de Sistema de Información GeográficaIDRISI edición KILIMANJARO, de uso libre.

2.2 Rasterizado

El rasterizado consiste en dividir en celdas opixels todo el territorio que se quiera poner bajoestudio, en nuestro caso se realizó en toda laProvincia de Tucumán. Se propone adoptar lamínima unidad o celda equivalente a unahectárea.Para esto se rasterizó el mapa departamental de laprovincia de Tucumán, y fue tomado como matrizpara todas las otras capas, las cuales sereferenciaron a ésta. En la Figura 1 se muestra elmapa de la provincia de Tucumán rasterizado.

Figura 1. Mapa rasterizado de la provincia de

Tucumán.

2.3 Análisis de Distancias

Este análisis consiste en calcular las distanciasentre las celdas con información y todas lasdemás celdas de la capa. Por ejemplo, si se realizael análisis de preferencia para la variableUbicación de Localidades o Zonas Urbanas, secalcula la distancia que hay entre cada una de lasceldas a aquellas donde hay parte de una ciudad,pueblo o asentamiento urbano.En la imagen de la Figura 2 se puede observarque las celdas toman un color diferente deacuerdo a la distancia a las celdas coninformación para la capa Localidades o ZonasUrbanas (la imagen original es en colores). Ahoratodas las celdas contienen como información unvalor de distancia en metros. Este procedimientose repite para cada una de las variablesconsideradas, generando imágenes similares a lade la Figura 2.

Figura 2

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Figura 2. Mapa de distancias para la capaLocalidades o Zonas Urbanas de la provincia deTucumán.

2.4 Normalización

El paso siguiente fue normalizar las nuevas capasde distancias generadas. Esto significa que cadacelda pasa de tener un valor numérico dedistancias en metros, que no se pueden evaluarentre las distintas capas, a un valores entre 0 y 1comparable entre dos capas diferentes, siendo 1 elmejor valor y 0 el peor.Para la normalización se tuvo en cuenta aquellasdisposiciones legislativas de ordenamientoterritorial que prohíben, por ejemplo, lasinstalaciones de industrias de cualquier tipo amenos de un kilometro de distancia de algunalocalidad o asentamiento urbano. Al incorporarestas restricciones en el proceso denormalización, quedan excluidasautomáticamente una gran cantidad de celdas queno superan las restricciones.Para las pequeñas destilerías autónomas, que esnuestro caso de estudio, cuando se normalizó lacapa de Ubicación de Localidades o ZonasUrbanas, una de las restricciones que se tuvo encuenta fue la prohibición de instalar una industria

a menos de un kilometro de distancia de zonasurbanizadas para evitar ruidos, oloresdesagradables y riesgos en cuanto a la seguridad eintegridad de personas y/o poblaciones a las quese pueden someter a sus vecinos. Tambiénaquellas celdas que disten más de 35 km de unasentamiento poblacional quedaron descartadasdebido al incremento en los costos de trasporte ylogística que ello implicaría.En la Figura 3 se muestra el patrón denormalización de la capa correspondiente aUbicación de Localidades o Zonas Urbanas:

Figura 3. Normalización utilizada para la capa deUbicación de Localidades o Zonas Urbanas.

Como se puede observar en la Figura 3, todasaquellas celdas a una distancia menor a 1000 mrecibirán un valor 0, por lo que quedaránexcluidas del análisis de Preferencia. Las celdasque superen la restricción impuesta, irándisminuyendo su valoración a medida que sealejen de los asentamientos urbanos. Esto seconsideró de este modo, ya que la distancia a loscentros urbanos es directamente proporcional alincremento en el costo de los servicios auxiliares,transporte como así también la mano de obraentre otros.Este procedimiento se hizo para cada variableconsiderándose restricciones especiales en cadacaso, debido a legislaciones o situacionesespecíficas referidas al sector cañero y seobtuvieron nuevas capas para cada una de lasvariables. En la Tabla 1 se muestran lasrestricciones impuestas para las variables enestudio.

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Figura 2. Mapa de distancias para la capaLocalidades o Zonas Urbanas de la provincia deTucumán.

2.4 Normalización

El paso siguiente fue normalizar las nuevas capasde distancias generadas. Esto significa que cadacelda pasa de tener un valor numérico dedistancias en metros, que no se pueden evaluarentre las distintas capas, a un valores entre 0 y 1comparable entre dos capas diferentes, siendo 1 elmejor valor y 0 el peor.Para la normalización se tuvo en cuenta aquellasdisposiciones legislativas de ordenamientoterritorial que prohíben, por ejemplo, lasinstalaciones de industrias de cualquier tipo amenos de un kilometro de distancia de algunalocalidad o asentamiento urbano. Al incorporarestas restricciones en el proceso denormalización, quedan excluidasautomáticamente una gran cantidad de celdas queno superan las restricciones.Para las pequeñas destilerías autónomas, que esnuestro caso de estudio, cuando se normalizó lacapa de Ubicación de Localidades o ZonasUrbanas, una de las restricciones que se tuvo encuenta fue la prohibición de instalar una industria

a menos de un kilometro de distancia de zonasurbanizadas para evitar ruidos, oloresdesagradables y riesgos en cuanto a la seguridad eintegridad de personas y/o poblaciones a las quese pueden someter a sus vecinos. Tambiénaquellas celdas que disten más de 35 km de unasentamiento poblacional quedaron descartadasdebido al incremento en los costos de trasporte ylogística que ello implicaría.En la Figura 3 se muestra el patrón denormalización de la capa correspondiente aUbicación de Localidades o Zonas Urbanas:

Figura 3. Normalización utilizada para la capa deUbicación de Localidades o Zonas Urbanas.

Como se puede observar en la Figura 3, todasaquellas celdas a una distancia menor a 1000 mrecibirán un valor 0, por lo que quedaránexcluidas del análisis de Preferencia. Las celdasque superen la restricción impuesta, irándisminuyendo su valoración a medida que sealejen de los asentamientos urbanos. Esto seconsideró de este modo, ya que la distancia a loscentros urbanos es directamente proporcional alincremento en el costo de los servicios auxiliares,transporte como así también la mano de obraentre otros.Este procedimiento se hizo para cada variableconsiderándose restricciones especiales en cadacaso, debido a legislaciones o situacionesespecíficas referidas al sector cañero y seobtuvieron nuevas capas para cada una de lasvariables. En la Tabla 1 se muestran lasrestricciones impuestas para las variables enestudio.

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Figura 2. Mapa de distancias para la capaLocalidades o Zonas Urbanas de la provincia deTucumán.

2.4 Normalización

El paso siguiente fue normalizar las nuevas capasde distancias generadas. Esto significa que cadacelda pasa de tener un valor numérico dedistancias en metros, que no se pueden evaluarentre las distintas capas, a un valores entre 0 y 1comparable entre dos capas diferentes, siendo 1 elmejor valor y 0 el peor.Para la normalización se tuvo en cuenta aquellasdisposiciones legislativas de ordenamientoterritorial que prohíben, por ejemplo, lasinstalaciones de industrias de cualquier tipo amenos de un kilometro de distancia de algunalocalidad o asentamiento urbano. Al incorporarestas restricciones en el proceso denormalización, quedan excluidasautomáticamente una gran cantidad de celdas queno superan las restricciones.Para las pequeñas destilerías autónomas, que esnuestro caso de estudio, cuando se normalizó lacapa de Ubicación de Localidades o ZonasUrbanas, una de las restricciones que se tuvo encuenta fue la prohibición de instalar una industria

a menos de un kilometro de distancia de zonasurbanizadas para evitar ruidos, oloresdesagradables y riesgos en cuanto a la seguridad eintegridad de personas y/o poblaciones a las quese pueden someter a sus vecinos. Tambiénaquellas celdas que disten más de 35 km de unasentamiento poblacional quedaron descartadasdebido al incremento en los costos de trasporte ylogística que ello implicaría.En la Figura 3 se muestra el patrón denormalización de la capa correspondiente aUbicación de Localidades o Zonas Urbanas:

Figura 3. Normalización utilizada para la capa deUbicación de Localidades o Zonas Urbanas.

Como se puede observar en la Figura 3, todasaquellas celdas a una distancia menor a 1000 mrecibirán un valor 0, por lo que quedaránexcluidas del análisis de Preferencia. Las celdasque superen la restricción impuesta, irándisminuyendo su valoración a medida que sealejen de los asentamientos urbanos. Esto seconsideró de este modo, ya que la distancia a loscentros urbanos es directamente proporcional alincremento en el costo de los servicios auxiliares,transporte como así también la mano de obraentre otros.Este procedimiento se hizo para cada variableconsiderándose restricciones especiales en cadacaso, debido a legislaciones o situacionesespecíficas referidas al sector cañero y seobtuvieron nuevas capas para cada una de lasvariables. En la Tabla 1 se muestran lasrestricciones impuestas para las variables enestudio.

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Tabla1: Restricciones impuestas a las variables en estudio.

FACTOR EXCLUYENTE RESTRICCIÓN1-Rutas A una distancia no menor a 100 m2-Localidades o Zonas urbanas A una distancia no menor a 1 km3-Ríos, Diques o Causes de Agua A una distancia no menor a 200 m4-Ingenios A una distancia no menor a 5 Km5-Superficie con Caña A una distancia no mayor a 30 km

2.5 Determinación del Peso Relativo de lasvariables

Una vez normalizadas las capas, fue posibleintegrarlas en un modelo ponderal lineal. Paraello se asignó a cada capa un factor w querepresenta el peso relativo de la variable en elanálisis. Por ejemplo, no tendrá el mismo peso la“Ubicación de la Biomasa” que la“Disponibilidad de Agua” o “Rutas”, cuando secontempla la ubicación de una destileríaautónoma ya que la disponibilidad de materiaprima en las cercanías tiene mayor importanciaque la presencia de rutas.Dicho factor de peso relativo w se generó con elmétodo conocido como Proceso AnalíticoJerárquico (AHP) (Saaty, 2008). En este método,luego de elegir la jerarquía de los factoresinfluyentes en la toma de decisión, todas lasalternativas son comparadas uno a uno con elobjetivo de determinar la importancia relativa delos criterios en cada nivel. Como resultado de lacomparación de n criterios, se obtiene una matriz

cuadrada A de n x n, en la cual cada elemento aij(i,j=1,2,3…..n) es la intensidad de la importanciarelativa entre el criterio i y el criterio j, de modoque aij=1, aij=1/aji , y aij≠0. El vector de pesos seobtiene de la siguiente manera:

n

jiji a

nw

1

'1(1)

Donde:

j

ijij A

aa ' (2)

n

iijj a

nA

1

1(3)

En la Tabla 2 se muestran los factorescontemplados para las destilerías autónomas y losvalores obtenidos para los factores de pesosrelativos wi.

Tabla 2: Factores contemplados para la localización de destilerías autónomas.

FactoresCaña deAzucar

Disponibilidadde Agua

Ubicaciónde Ingenios

Rutas Localidades w i

Caña deAzucar

1 4 5 7 9 0,497

Disponibilidadde Agua

0,25 1 3 5 9 0,238

Ubicación deIngenios

0,2 0,33 1 5 9 0,166

Rutas 0,14 0,2 0,2 1 5 0,069Localidades 0,11 0,14 0,11 0,2 1 0,028

Luego de obtener el peso relativo de cadavariable, se obtiene el valor final de preferenciade cada celda con la siguiente expresión (Ec.4).

jij

jjP CwC ,, (4)

Donde:i representa la i-ésima celda, con i=1,2,….,nj representa el j-ésima capa, con j=1, 2, nwj representa el peso relativo del j-ésima factor

En la Figura 4 se muestra el mapa que se obtuvoal normalizar los datos correspondientes aLocalidades o Zonas urbanas, habiendo obtenidode igual modo los mapas correspondientes a lasotras capas consideradas.

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Figura 4: Mapa normalizado para la capaLocalidades o Zonas Urbanas de la provincia deTucumán.

3 CONCLUSIONES

Se desarrolló un modelo utilizando la tecnologíade Sistema de Información Geográfica paradetectar las ubicaciones adecuadas para lainstalación de destilerías autónomas. Lasrestricciones y factores de influencia en la tomade decisión fueron contemplados utilizando elProceso Analítico Jerárquico. El mapanormalizado obtenido (Fig. 4) permite detectar lasubicaciones más adecuadas (zonas coloreadasdonde los valores normalizados toman valor 1)según las condiciones impuestas al sistema. Lapróxima tarea a realizar será evaluar las cincocapas simultáneamente para determinar los

lugares más adecuados para localizar PDAs yposteriormente evaluar los costos de transportepara poder identificar cual son las localizacionesóptimas para estas plantas industriales en laprovincia de Tucumán.

4 BIBLIOGRAFIA

Arifa Sultana, Amit Kumar. Optimal siting andsize of bioenergy facilities using geographicinformation system, Applied Energy 94, 192–201, 2012.

Jagtar Singh, B.S. Panesar, S.K. Sharma.Geographical distribution of agriculturalresidues and optimum sites of biomass basedpower plant in Bathinda, Punjab, Biomass andBioenergy 35, 4455-4460, 2011.

Saaty TL., Decision making with the analytichierarchy process., Int J Serv Sci, 1:83–98,2008.

IDRISI-Kilimanjaro, Clark Labs, ClarkUniversity, Massachusetts, USA.

5 AGRADECIMIENTOS

Este trabajo fue parcialmente financiado por elConsejo de Investigaciones de la UniversidadNacional de Tucumán a través del ProgramaIngeniería de Procesos Agroindustriales. Losautores agradecen la invalorable ayuda obtenidade Tco. Horacio Leonardo Madariaga del CONICETen el uso del software.

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Figura 4: Mapa normalizado para la capaLocalidades o Zonas Urbanas de la provincia deTucumán.

3 CONCLUSIONES

Se desarrolló un modelo utilizando la tecnologíade Sistema de Información Geográfica paradetectar las ubicaciones adecuadas para lainstalación de destilerías autónomas. Lasrestricciones y factores de influencia en la tomade decisión fueron contemplados utilizando elProceso Analítico Jerárquico. El mapanormalizado obtenido (Fig. 4) permite detectar lasubicaciones más adecuadas (zonas coloreadasdonde los valores normalizados toman valor 1)según las condiciones impuestas al sistema. Lapróxima tarea a realizar será evaluar las cincocapas simultáneamente para determinar los

lugares más adecuados para localizar PDAs yposteriormente evaluar los costos de transportepara poder identificar cual son las localizacionesóptimas para estas plantas industriales en laprovincia de Tucumán.

4 BIBLIOGRAFIA

Arifa Sultana, Amit Kumar. Optimal siting andsize of bioenergy facilities using geographicinformation system, Applied Energy 94, 192–201, 2012.

Jagtar Singh, B.S. Panesar, S.K. Sharma.Geographical distribution of agriculturalresidues and optimum sites of biomass basedpower plant in Bathinda, Punjab, Biomass andBioenergy 35, 4455-4460, 2011.

Saaty TL., Decision making with the analytichierarchy process., Int J Serv Sci, 1:83–98,2008.

IDRISI-Kilimanjaro, Clark Labs, ClarkUniversity, Massachusetts, USA.

5 AGRADECIMIENTOS

Este trabajo fue parcialmente financiado por elConsejo de Investigaciones de la UniversidadNacional de Tucumán a través del ProgramaIngeniería de Procesos Agroindustriales. Losautores agradecen la invalorable ayuda obtenidade Tco. Horacio Leonardo Madariaga del CONICETen el uso del software.

Investigaciones en Facultades de Ingeniería del NOA ISSN N° 1853-7871

Figura 4: Mapa normalizado para la capaLocalidades o Zonas Urbanas de la provincia deTucumán.

3 CONCLUSIONES

Se desarrolló un modelo utilizando la tecnologíade Sistema de Información Geográfica paradetectar las ubicaciones adecuadas para lainstalación de destilerías autónomas. Lasrestricciones y factores de influencia en la tomade decisión fueron contemplados utilizando elProceso Analítico Jerárquico. El mapanormalizado obtenido (Fig. 4) permite detectar lasubicaciones más adecuadas (zonas coloreadasdonde los valores normalizados toman valor 1)según las condiciones impuestas al sistema. Lapróxima tarea a realizar será evaluar las cincocapas simultáneamente para determinar los

lugares más adecuados para localizar PDAs yposteriormente evaluar los costos de transportepara poder identificar cual son las localizacionesóptimas para estas plantas industriales en laprovincia de Tucumán.

4 BIBLIOGRAFIA

Arifa Sultana, Amit Kumar. Optimal siting andsize of bioenergy facilities using geographicinformation system, Applied Energy 94, 192–201, 2012.

Jagtar Singh, B.S. Panesar, S.K. Sharma.Geographical distribution of agriculturalresidues and optimum sites of biomass basedpower plant in Bathinda, Punjab, Biomass andBioenergy 35, 4455-4460, 2011.

Saaty TL., Decision making with the analytichierarchy process., Int J Serv Sci, 1:83–98,2008.

IDRISI-Kilimanjaro, Clark Labs, ClarkUniversity, Massachusetts, USA.

5 AGRADECIMIENTOS

Este trabajo fue parcialmente financiado por elConsejo de Investigaciones de la UniversidadNacional de Tucumán a través del ProgramaIngeniería de Procesos Agroindustriales. Losautores agradecen la invalorable ayuda obtenidade Tco. Horacio Leonardo Madariaga del CONICETen el uso del software.