Aplicación de un modelo de control predictivo en el
control óptimo de una columna de destilación.
Abel García Oviedo y Jorge M. Gómez
Grupo de Diseño de Productos y Procesos, Departamento de Ingeniería Química y de Alimentos,
Universidad de Los Andes, Carrera 1 No. 18a-10, Bogotá, Colombia
Resumen: En la industria química es necesario estrategias de control basadas en modelos
que describan detalladamente la dinámica de sistemas con comportamiento altamente no
lineal y que involucren un alto consumo energético. Para estos casos, se utilizan modelos de
ecuaciones algebro-diferenciales DAE (del inglés Differential-Algebraic equations). En este
trabajo se implementó un modelo de control predictivo no lineal NMPC (del inglés Nonlinear
model predictive control) con base en un modelo DAE de índice uno y un modelo DAE de
índice híbrido para representar el comportamiento dinámico de una columna de destilación
piloto. Se resolvió el problema de control óptimo de la columna de destilación frente a la
introducción de diferentes perturbaciones sobre la corriente de alimentación. Este problema
de control óptimo fue resuelto en lazo cerrado para tener en cuenta la discrepancia entre el
modelo y la planta del equipo piloto. El comportamiento de la planta se obtiene mediante
simulaciones en Aspen Dynamics, en las que se consideran las eficiencias de Murphree de
las etapas de la columna de destilación piloto. Para resolver el problema en lazo cerrado se
implementó como estimador de estados un filtro de Kalman extendido. Se demostró que la
estrategia de control implementada tiene un mejor desempeño que un controlador
convencional PI (Proporcional-Integral).
1. Introducción
Dada la creciente demanda energética mundial la producción de biocombustibles ha
aumentado significativamente en los últimos años. Entre estos biocombustibles destaca
el bioetanol por las diferentes fuentes y procesos de producción. El bioetanol debe
encontrarse en un alto grado de pureza para uso industrial [1]. Para esto, debe ser separado
del agua presente al final de los procesos de producción. Esto se realiza con una columna
de destilación para lograr una mezcla con una composición cercana al punto azeotrópico.
En caso de requerir una mezcla con una pureza mucho más alta de etanol se puede recurrir
a procesos en los que intervenga un agente de transferencia de masa. En este caso, el
equipo necesario corresponde a una columna de destilación extractiva [2].
Las columnas de destilación son los equipos que representan el mayor requerimiento
energético dentro de la industria química. Por esta razón, es importante mantener
condiciones eficientes de operación para reducir costos por consumo de energía, mientras
se cumplen con las especificaciones de composición [3]. Las condiciones de operación
de una columna pueden ser afectados por la introducción de perturbaciones. La adecuada
respuesta ante estas perturbaciones para restablecer las condiciones de operación influye
en la rentabilidad y la calidad de los productos de los procesos [4]. Por lo tanto, para
mantener la competitividad dentro de la industria química se requiere de un sistema de
control. Con un sistema de control se pueden manipular las variables de operación en los
equipos para mantener el desempeño óptimo del equipo [5].
Un modelo de control predictivo MPC (del inglés Model Predictive Control) es un
método de diseño y aplicación de sistemas de control de retroalimentación [6]. El
propósito del modelo de control predictivo es encontrar la secuencia óptima de valores
de las variables del sistema. Esta secuencia debe traducirse en la trayectoria deseada de
las variables de salida del sistema a lo largo de un horizonte de predicción. Por lo general,
la acción de control de las variables manipuladas se define de tal manera que las variables
del sistema alcancen determinados valores de referencia conocidos como set points [7].
En las dos últimas décadas, los modelos de control predictivo lineales se convirtieron en
las técnicas de control más poderosas y ampliamente utilizadas en los procesos
industriales [8]. Sin embargo, muchos sistemas en los procesos industriales son
inherentemente no lineales. En muchos casos estos procesos deben contar con un amplio
rango de condiciones de operación debido a los requerimientos de la industria química
[9].
Cuando se diseña el sistema de control para un sistema descrito por modelos matemáticos
no lineales, es necesario implementar un modelo de control predictivo no lineal NMPC
(del inglés Nonlinear Model Predictive Control). Estos modelos de control se aplican
principalmente a problemas de seguimiento de valores de referencia y estabilización de
las variables de estado. En cualquiera de los casos, los modelos de control predictivo se
utilizan para predecir y optimizar el comportamiento del sistema en el tiempo [10].
En este trabajo, se implementa un controlador NMPC a partir de modelos de ecuaciones
DAE para realizar la predicción del comportamiento dinámico de una columna de
destilación piloto Pignat DVI/3000/S. Se resuelve el problema de control óptimo para la
columna de destilación en lazo abierto y en lazo cerrado ante la introducción de tres
perturbaciones al sistema. La solución del problema en lazo abierto permite ajustar
parámetros de configuración del controlador NMPC. La solución del problema en lazo
cerrado se presenta como un estudio preliminar a la implementación del controlador en
el equipo piloto. Para este estudio, se modela el comportamiento del equipo piloto
mediante simulaciones en Aspen Dynamics. Teniendo en cuenta que la columna no opera
en equilibrio, se definen eficiencia de Murphree para las etapas. En el esquema de lazo
cerrado se evalúa el filtro de Kalman extendido como estimador de estados de la columna
de destilación.
El artículo está estructurado de la siguiente forma: En la sección 2 se hace una revisión
bibliográfica de casos de estudio de control óptimo para columnas de destilación. En la
sección 3 se presentan los sistemas DAE usados para el modelamiento dinámico de una
columna de destilación. En la sección 4, se expone la formulación general de un problema
de optimización dinámica y se especifica el algoritmo de integración para la solución de
las ecuaciones diferenciales de los modelos. En la sección 5 se describe el caso de estudio
correspondiente al control óptimo de una columna de destilación piloto Pignat
DVI/3000/S con una mezcla binaria etanol-agua. En la sección 6 se muestran y analizan
los resultados obtenidos del problema de control óptimo en lazo abierto y en lazo cerrado.
En la sección final se presentan las conclusiones y perspectivas futuras de este trabajo.
2. Estado del arte
En la Tabla 1, se mencionan concretamente metodologías implementadas para llevar a
cabo el control óptimo en columnas de destilación.
Año Autores Metodología Referencia
2001 Bloemen et al. Modelo Wiener. [11]
2002 Alpbaz et al. Simulación de una columna de destilación
empacada. Aplicación de un sistema de matriz
dinámica de control.
[12]
2002 Diehl et al. Esquema de control no lineal basado en el
método Direct multiple shooting.
[13]
2005 Jana et al. Implementación de un modelo de control
globalmente linealizado.
[14]
2005 Rueda et al. Implementación de un modelo con
linealización iterativa para un control
predictivo no lineal.
[15]
2015 Lozano et al. Modelo DAE de índice híbrido basado en
principios fundamentales para un modelo de
control predictivo no lineal de un separador
flash.
[16]
2015 Lozano et al. Modelo de control predictivo no lineal para
una columna de destilación extractiva usando
un modelo DAE de índice híbrido basado en
principios fundamentales.
[17]
Tabla 1: Metodologías para el control óptimo de una columna de destilación.
Diehl et al., [13] implementaron un modelo no lineal de control predictivo basado en el
método Direct multiple shooting. El control de la columna tenía como variables
manipuladas el calor suministrado por el rehervidor y la tasa del reflujo. El objetivo fue
mantener las especificaciones de pureza de los componentes en las corrientes de destilado
y de fondos. La respuesta del sistema de control se evaluó frente a perturbaciones en el
flujo y la composición de la corriente de alimentación.
Lozano et al., [16] presentaron una alternativa a la solución de problemas con modelos de
control predictivo. Se utiliza el método de colocación ortogonal sobre elementos finitos
para discretizar el modelo DAE (del inglés Differential-Algebraic Equations). En este
caso, se resuelve el problema convencional de seguimiento cuadrático de set point para
diferentes perturbaciones en un separador flash.
Lozano et al., [17] implementaron un modelo DAE híbrido, el cual se utiliza para la
implementación de un modelo de control predictivo en una columna de destilación
extractiva. La función objetivo determina el desempeño económico de la operación y se
evalúa la respuesta de la columna ante perturbaciones en la corriente de alimentación.
En este artículo se implementa un controlador NMPC basado en modelos DAE para llevar
a cabo el control óptimo de una columna de destilación frente a perturbaciones en la
corriente de alimentación. Las variables manipuladas son el calor en el rehervidor y la
relación reflujo, de tal manera que se reestablezca la condición de pureza del etanol en el
destilado. Con estas variables se plantea una función objetivo de seguimiento cuadrático
convencional. El problema de control óptimo para este caso se resuelve tanto en lazo
abierto y en lazo cerrado. Para la configuración en lazo cerrado se evalúa el efecto de las
limitaciones de transferencia de masa en la interfase a través de las eficiencias de
Murphree en las etapas del equipo piloto. En este trabajo, para implementar el controlador
NMPC en lazo cerrado se utiliza un filtro de Kalman extendido como estimador de
estados.
3. Modelo
El modelo matemático debe describir el comportamiento dinámico de la columna de
destilación. Se utiliza como base el modelo MESH (del inglés Material balance,
Equilibrium relationships, Summation equations and Heat balance) en un sistema de
ecuaciones algebro-diferenciales DAE para simular el comportamiento dinámico en cada
etapa.
En la Figura 1 se puede visualizar el esquema general de una columna de destilación para
la separación de una mezcla binaria. A la columna de destilación se alimenta una mezcla
de etanol-agua. El objetivo de la separación es obtener un alto porcentaje de etanol en la
corriente de destilado. La columna está compuesta por varias etapas de equilibrios. En
estas etapas interactúan corrientes de líquido y de vapor, de tal manera que se promueve
la transferencia de masa y energía. El condensador corresponde a la etapa 1 de equilibrio
y el rehervidor parcial a la etapa n de equilibrio.
Figura 1: Esquema general de una columna de destilación.
Las suposiciones para implementar la modelación dinámica basada en el modelo MESH
son [18]:
- Equilibrio termodinámico en cada etapa.
- Operación adiabática.
- Condensador total.
- Rehervidor parcial.
- Se desprecia la acumulación de vapor.
- No hay caída de presión en el rehervidor.
- No hay variación de la presión en el tiempo.
3.1 Modelo DAE de índice dos (DAE2)
Con estas suposiciones se obtiene un modelo dinámico simplificado de la columna de
destilación descrito por las siguientes ecuaciones algebraicas y diferenciales:
Balance total de materia:
Condensador:
𝑑𝑀𝐿,𝑛
𝑑𝑡= 𝑉𝑛+1 − 𝐿𝑛 (1 +
1
𝑅𝑅) = 0 (1. 𝑎)
Rehervidor:
𝑑𝑀𝐿,𝑛
𝑑𝑡= 𝐿𝑛−1 − 𝐿𝑛 − 𝑉𝑛 = 0 (1. 𝑏)
Alimentación:
𝑑𝑀𝐿,𝑛
𝑑𝑡= 𝐿𝑛−1 + 𝑉𝑛+1 + 𝐹𝑛 − 𝐿𝑛 − 𝑉𝑛 (1. 𝑐)
Balance de materia por componente j:
Condensador:
𝑑(𝑀𝐿,𝑛𝑥𝑛𝑗)
𝑑𝑡= 𝑉𝑛+1𝑦𝑛+1
𝑗− 𝐿𝑛𝑥𝑛
𝑗 (1 +1
𝑅𝑅) (2. 𝑎)
Rehervidor:
𝑑(𝑀𝐿,𝑛𝑥𝑛𝑗)
𝑑𝑡= 𝐿𝑛−1𝑥𝑛−1
𝑗− 𝐿𝑛𝑥𝑛
𝑗− 𝑉𝑛𝑦𝑛
𝑗 (2. b)
Alimentación:
𝑑(𝑀𝐿,𝑛𝑥𝑛𝑗)
𝑑𝑡= 𝐿𝑛−1𝑥𝑛−1
𝑗+ 𝑉𝑛+1𝑦𝑛+1
𝑗+ 𝐹𝑛𝑧𝑛
𝑗− 𝐿𝑛𝑥𝑛
𝑗− 𝑉𝑛𝑦𝑛
𝑗 (2. 𝑐)
1.
Balance de energía por plato:
Condensador:
𝑑(ℎ𝑛𝑀𝐿,𝑛)
𝑑𝑡= 𝑉𝑛−1𝐻𝑛−1 − 𝐿𝑛 (1 +
1
𝑅𝑅) ℎ𝑛 − 𝑄𝐶𝑜𝑛𝑑 (3. 𝑎)
2.
Rehervidor:
𝑑(ℎ𝑛𝑀𝐿,𝑛)
𝑑𝑡= 𝑄𝑅𝑒𝑏 + 𝐿𝑛−1ℎ𝑛−1 − 𝐿𝑛ℎ𝑛 − 𝑉𝑛ℎ𝑛 (3. 𝑏)
Alimentación:
𝑑(ℎ𝑛𝑀𝐿,𝑛)
𝑑𝑡= 𝐿𝑛−1ℎ𝑛−1 + 𝑉𝑛+1𝐻𝑛+1 + 𝐹𝑛ℎ𝑓 − 𝐿𝑛ℎ𝑛 − 𝑉𝑛ℎ𝑛 (3. 𝑐)
Cálculo de temperatura en cada plato:
La temperatura en cada plato se calcula de tal manera que la suma de las composiciones
en la fase de vapor en cada plato sea igual a 1, como se muestra en la ecuación 4. 𝑎 [7]:
∑ 𝑦𝑛𝑗
𝑗
= 1, ∀ 𝑛 ∈ 𝐸𝑡𝑎𝑝𝑎𝑠, ∀ 𝑗 ∈ 𝐶𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 (4. 𝑎)
Adicionalmente, se tiene en cuenta la relación de equilibrio de fases líquido-vapor en la
ecuación 4. 𝑏:
𝑦𝑛𝑗∗
=𝛾𝑛
𝑗𝑃𝑛
𝑗 𝑆𝑎𝑡𝑥𝑛
𝑗
𝑃𝑛, ∀ 𝑛 ∈ 𝐸𝑡𝑎𝑝𝑎𝑠, ∀ 𝑗 ∈ 𝐶𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 (4. 𝑏)
También, se verifica el error para el equilibrio de fases, presentado en la ecuación 4. 𝑐:
∑(𝑦𝑛𝑗
− 𝑥𝑛𝑗)
𝑗
= 0, ∀ 𝑛 ∈ 𝐸𝑡𝑎𝑝𝑎𝑠, ∀ 𝑗 ∈ 𝐶𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 (4. 𝑐)
Para la tasa de flujo de líquido en cada etapa de la columna de destilación se utilizan
ecuaciones hidráulicas (ecuación 5) que tienen en cuenta la acumulación de líquido, la
tasa de flujo de vapor y los parámetros geométricos del plato [19] [20]. Los parámetros
se presentan en el Apéndice A.7.
𝐿𝑛 = 𝑓(𝑀𝐿,𝑛, 𝑉𝑛) (5)
Dado que la tasa de flujo de vapor en cada etapa (𝑉𝑛) es una variable algebraica que no
figura dentro de las ecuaciones algebraicas, el sistema de ecuaciones algebro-
diferenciales presentado se clasifica como de índice dos (DAE2) [13].
3.2 Modelo DAE2 de índice reducido (DAE2r)
Al implementar el modelo DAE2 (sección 3.1) en esquemas de control se necesitan
condiciones iniciales consistentes para evitar comportamientos de impulsos en el sistema
que resulten en desplazamientos de la solución [17]. Para definir condiciones iniciales
consistentes se aplica un método de reducción de índice para modelos DAE de alto índice
(≥ 2) [21]. Este método se aplica al derivar el lado izquierdo de los balances de energía
diferenciales presentados en las ecuaciones 3. 𝑎, 3. 𝑏 y 3. 𝑐. Se tiene en cuenta que los
cambios en la entalpía específica de la fase líquida generalmente son muy pequeños
comparados con la entalpía total del plato. Entonces, los balances de energía resultantes
se presentan en las ecuaciones 6. 𝑎, 6. 𝑏 y 6. 𝑐:
Balance de energía por plato:
Condensador:
𝑑𝑀𝐿,𝑛
𝑑𝑡ℎ𝑛 = 𝑉𝑛−1𝐻𝑛−1 − 𝐿𝑛 (1 +
1
𝑅𝑅) ℎ𝑛 − 𝑄𝐶𝑜𝑛𝑑 (6. 𝑎)
Rehervidor:
𝑑𝑀𝐿,𝑛
𝑑𝑡ℎ𝑛 = 𝑄𝑅𝑒𝑏 + 𝐿𝑛−1ℎ𝑛−1 − 𝐿𝑛ℎ𝑛 − 𝑉𝑛ℎ𝑛 (6. 𝑏)
Alimentación:
𝑑𝑀𝐿,𝑛
𝑑𝑡ℎ𝑛 = 𝐿𝑛−1ℎ𝑛−1 + 𝑉𝑛+1𝐻𝑛+1 + 𝐹𝑛ℎ𝑓 − 𝐿𝑛ℎ𝑛 − 𝑉𝑛ℎ𝑛 (6. 𝑐)
En estas ecuaciones el término diferencial se conoce a partir de los balances totales de
materia presentados en las ecuaciones 1. 𝑎, 1. 𝑏 y 1. 𝑐. Por lo tanto, las ecuaciones
diferenciales para los balances de energía han sido transformadas en ecuaciones
algebraicas. Dado que la variable algebraica correspondiente a la tasa de flujo de vapor
se puede definir en estas ecuaciones algebraicas, el modelo de índice reducido obtenido
DAE2r es un modelo de índice uno [22].
3.3 Modelo DAE2 de índice híbrido (DAE2h)
Par resolver modelos DAE2 se puede utilizar un algoritmo de integración definiendo
condiciones iniciales consistentes. El modelo DAE2r permite definir condiciones
iniciales consistentes necesarias para la aplicación de un modelo DAE2 para estudios de
control predictivo [17]. Con las condiciones iniciales consistentes se garantiza una
adecuada solución del modelo DAE2, lo que equivale a implementar un modelo DAE de
índice híbrido (DAE2h). El algoritmo de integración requiere de un método numérico que
asegure estabilidad y evite la propagación de errores en las variables algebraicas [23].
4. Problema de control óptimo
4.1 Formulación de la optimización dinámica.
La formulación general del problema de control óptimo tiene como función objetivo la
ecuación 7. 𝑎. En esta ecuación el primer término se refiere a un costo terminal en función
de los estados en el tiempo final 𝑡𝑓. El segundo término está dado por el costo de las
trayectorias de las variables de estado y las variables manipuladas [24].
min 𝐽 = 𝜙(𝑡𝑓) + ∫ 𝜑(𝑦(𝑡), 𝑧(𝑡), 𝑢(𝑡))𝑑𝑡
𝑡𝑓
𝑡0
(7. 𝑎)
Donde 𝑡0 es el tiempo inicial, 𝑦 es el vector de variables de estados diferenciales, 𝑧 es el
vector de variables de estado algebraicas y 𝑢 es el vector de variables manipuladas. La
solución de este problema de optimización dinámica se encuentra sujeta a un sistema de
ecuaciones algebro-diferenciales descrito en las ecuaciones 7. 𝑏 y 7. 𝑐 [24].
𝑑𝑦
𝑑𝑡= 𝑓(𝑦(𝑡), 𝑧(𝑡), 𝑢(𝑡))
(7. 𝑏)
ℎ(𝑦(𝑡), 𝑧(𝑡), 𝑢(𝑡)) = 0 (7. 𝑐)
Los valores iniciales para los estados diferenciales están establecidos como se muestra
en la ecuación 7. 𝑑 [24].
𝑦(𝑡0) = 𝑦0 (7. 𝑑)
Adicionalmente, se deben tener en cuenta las restricciones de desigualdad mostradas en
la ecuación 7. 𝑒 [24].
𝑔(𝑥(𝑡), 𝑧(𝑡), 𝑢(𝑡)𝑝) ≥ 0 (7. 𝑒)
En muchos casos estas restricciones representan límites de las variables, como el
requerimiento de pureza de un componente a la salida de una corriente [25].
4.2 Discretización de las ecuaciones diferenciales
Los sistemas de ecuaciones DAE2r y DAE2h se resuelven implementando el algoritmo
de integración de colocación ortogonal sobre elementos finitos usando el método de tres
puntos de Radau [26]. Este método de integración resulta adecuado para aplicaciones en
procesos de control con introducción de perturbaciones debido a su precisión y
estabilidad numérica [23]. La implementación de este método de discretización permitirá
que las ecuaciones diferenciales sean transformadas y resueltas como ecuaciones
algebraicas [27]. Las variables de estado y de control se aproximarán a familias de
polinomios ortogonales en elementos finitos [28]. El horizonte de tiempo se divide en 10
elementos finitos y dentro de cada elemento finito los perfiles de las variables se
discretizan alrededor de tres puntos de colocación [24].
5. Caso de estudio
El propósito del estudio es realizar el control óptimo de una columna de destilación piloto
Pignat DVI/3000/S para la separación de una mezcla etanol-agua. El sistema de control
implementado debe ser capaz de responder adecuadamente a perturbaciones en el flujo y
en la composición de la corriente de alimentación. La columna de destilación piloto tiene
un condensador total (etapa 1), 15 etapas teóricas y un rehervidor parcial (etapa 17). Las
condiciones de operación se muestran respectivamente en las Tabla 2.
Para la simulación de la operación de la columna, se supone que la fase vapor presenta
un comportamiento ideal, mientras que la no idealidad de la fase líquida se describe con
el modelo NRTL (del inglés Non Random Two Liquids). Las ecuaciones del modelo se
encuentran en el Apéndice A.4. Las propiedades físicas de los componentes del sistema
como presiones de vapor, capacidades caloríficas, coeficientes de actividad de la fase
líquida, densidades y calores de vaporización se obtienen del programa Aspen
Properties® [29]. Está información se presenta en los Apéndices A.2 y A.3.
Condiciones de operación Valor
Presión en la columna (𝑏𝑎𝑟) 0.75
Número de etapas 17
Tasa de flujo de alimentación (𝐿/ℎ) 13.5
Temperatura de alimentación (𝐾) 333
Etapa de alimentación 11
Porcentaje molar de etanol en la alimentación 0.65
Porcentaje molar de agua en la alimentación 0.35
Pureza molar del etanol en el destilado ≥ 0.85
Tabla 2: Condiciones de operación.
Para este caso de estudio, se desea mantener una pureza deseada de etanol en el destilado
mientras se manipula la carga térmica en el rehervidor y la relación de reflujo. Bajo estas
condiciones, la función objetivo de seguimiento cuadrático planteada para el problema
de control óptimo se muestra en la ecuación 8 [24].
min 𝐽𝑘 = ∑ 𝛼𝑥(𝑥𝑘,𝑖 − 𝑥𝑠𝑝)2
𝑁𝑝
𝑖=0
+ ∑ 𝛽𝑄(𝑄𝑘,𝑖 − 𝑄𝑘,𝑖−1)2
+ 𝛽𝑅(𝑅𝑘,𝑖 − 𝑅𝑘,𝑖−1)2
𝑁𝑢
𝑖=1
(8)
Donde 𝑥 es la composición del etanol en el destilado, 𝑄 la carga térmica en el rehervidor
y 𝑅 la relación de reflujo. Los parámetros 𝛼 y 𝛽 son los pesos asignados a cada término
de la función objetivo. Los valores de estos parámetros se determinan arbitrariamente a
medida que se comparan las soluciones del problema de optimización para diferentes
combinaciones de valores. Para esto, se toman en cuenta solo las opciones en las que el
problema converge y en la solución se obtienen perfiles suavizados [22]. Los valores de
los pesos utilizados para cada término de la función objetivo se encuentran en la Tabla 3.
En el primer término se desea minimizar el error cuadrático de la variable controlada
respecto a un set point dentro del horizonte de predicción 𝑁𝑝. En el segundo término se
desea minimizar el cambio drástico en la trayectoria de las variables manipuladas dentro
del horizonte de control 𝑁𝑢 [12]. Esta ecuación se resuelve para cada instante de tiempo
𝑡𝑘 del problema de control óptimo, para determinar la secuencia de acción de control que
se ejercerá sobre el proceso [24].
Los parámetros de configuración del controlador NMPC se encuentran registrados en la
Tabla 3. El ajuste de estos parámetros se realiza a través del algoritmo propuesto por
Lozano et al. [30]. El tiempo de muestreo es el único de los parámetros que no se define
mediante el algoritmo de configuración. Este tiempo debe ser definido con base en las
limitaciones de los sensores y actuadores del equipo piloto. También hay que tener en
cuenta que este tiempo debe ser lo suficientemente pequeño para describir
adecuadamente la dinámica del sistema y que no haya pérdida de información durante el
muestreo. No obstante, el tiempo no puede ser tan pequeño ya que implicaría un problema
de optimización más grande, lo que se traduciría en un mayor gasto computacional.
Configuración del controlador Valor
Tiempo de muestreo (𝑚𝑖𝑛) 5
Longitud del horizonte de predicción (𝑚𝑖𝑛) 50
Longitud del horizonte de control (𝑚𝑖𝑛) 50
Períodos simulados 60
Peso pureza etanol 𝛼𝑥 10
Peso calor rehervidor 𝛽𝑄 5
Peso relación de reflujo 𝛽𝑅 1
Tabla 3: Parámetros de configuración del controlador NMPC.
Las perturbaciones que se van a evaluar en la corriente de alimentación son: (1)
perturbación tipo step de +5% en la composición de etanol (𝑧𝑚𝐸𝑡𝑂𝐻), (2) perturbación tipo
step de -5% en la composición de etanol (𝑧𝑚𝐸𝑡𝑂𝐻) y (3) perturbación tipo step de +12.5%
en la tasa de flujo de la corriente de alimentación (𝐹𝑚). Estas perturbaciones se
introducirán al sistema después de 30 minutos de operación del equipo.
Para este caso de estudio solo se resolverán los sistemas DAE2r y DAE2h, dado que
permiten realizar una mejor predicción del comportamiento del proceso para la aplicación
del esquema de control [16]. Primero se resolverá el problema de control óptimo en lazo
abierto y se comparará con el desempeño de un controlador PI convencional. Durante la
solución del problema de control óptimo en lazo abierto se evalúan y se definen los
valores de los pesos de los términos de la función objetivo. Luego, el problema se
resolverá en lazo cerrado, donde será necesario implementar un estimador de estados. Lo
anterior, se debe a que no todos los estados son medibles en la columna de destilación y
a la discrepancia entre el modelo de la columna de destilación y el comportamiento de la
planta.
5.1 Problema de control óptimo en lazo abierto
Para resolver el problema de control en lazo abierto, se supone que todos los estados son
medibles y que los estados predichos son iguales a los estados medidos. La anterior
suposición evita tener que implementar un observador para realizar la estimación de
estados dentro de la columna de destilación [12].
5.2 Estimación de estados
Para realizar la predicción para cada instante de tiempo 𝑡𝑘 del problema de control óptimo
debe estar disponible la información de todos los estados. Sin embargo, en la práctica no
todos los estados pueden ser medidos por lo que se debe recurrir a un estimador de
estados. Se decide implementar como estimador de estados, el filtro de Kalman extendido
EKF (del inglés Extended Kalman Filter). Este estimador es fácil de implementar y se ha
demostrado que puede ser eficaz para sistemas que involucren comportamientos
dinámicos no lineales con gran cantidad de restricciones [31].
Teniendo en cuenta un modelo no lineal de un sistema:
𝑥𝑘+1 = 𝑓(𝑥𝑘) + 𝑤𝑘 (9. 𝑎)
𝑦𝑘 = ℎ(𝑥𝑘) + 𝑣𝑘 (9. 𝑏)
Con el valor del estado estimado �̂�(𝑘|𝑘), al linealizar la dinámica del sistema alrededor
de este estado, se calcula la predicción del estado estimado �̂�(𝑘 + 1|𝑘) y la matriz de
covarianza de los estados estimados 𝑃(𝑘 + 1|𝑘):
�̂�(𝑘 + 1|𝑘) = 𝑓𝑘(�̂�(𝑘|𝑘)) (9. 𝑐)
𝑃(𝑘 + 1|𝑘) = 𝐹(𝑘)𝑃(𝑘|𝑘)𝐹𝑇(𝑘) + 𝑄(𝑘) (9. 𝑑)
Luego se linealiza la dinámica de observación a partir de la medida 𝑦𝑘 alrededor del
estado �̂�(𝑘 + 1|𝑘), para obtener los valores de las actualizaciones del filtro del estado
estimado �̂�(𝑘 + 1|𝑘 + 1) y de la matriz de covarianza 𝑃(𝑘 + 1|𝑘 + 1):
�̂�(𝑘 + 1|𝑘 + 1) = �̂�(𝑘 + 1|𝑘) + 𝐾(𝑘 + 1)[𝑦𝑘+1 − ℎ𝑘+1(�̂�(𝑘 + 1|𝑘))] (9. 𝑒)
𝑃(𝑘 + 1|𝑘 + 1) = [𝐼 − 𝐾(𝑘 + 1)𝐻(𝑘 + 1)]𝑃(𝑘 + 1|𝑘) (9. 𝑓)
Donde 𝐾(𝑘) es la ganancia del filtro, y 𝐹(𝑘) y 𝐻(𝑘) son las matrices jacobianas:
𝐹(𝑘) = ∇𝑓𝑘|�̂�(𝑘|𝑘) (9. 𝑔)
𝐻(𝑘 + 1) = ∇ℎ𝑘|�̂�(𝑘+1|𝑘) (9. ℎ)
5.3 Problema de control óptimo en lazo cerrado
Para la solución de este problema se requiere tener un modelo que permita adquirir
información del comportamiento del equipo piloto. A partir de la información disponible,
se implementará el estimador de estados para definir la acción del controlador NMPC.
Para la adquisición de información del equipo piloto se necesita un modelo que permita
conocer el comportamiento de la planta. Los datos necesarios para obtener el modelo de
la planta fueron obtenidos mediante simulaciones de la columna de destilación piloto en
Aspen Dynamics ®. Este software de Aspen® permite estudiar la dinámica de diferentes
equipos y procesos en la industria química [32].
Para llevar a cabo estas simulaciones se tienen en cuenta los parámetros geométricos y
de operación del equipo piloto, los cuales fueron expuestos en el caso de estudio. Las
especificaciones geométricas y de operación de la columna utilizadas en Aspen se
presentan en los apéndices A.5 y A.6. Para tener una mejor descripción del equipo piloto
se tienen en cuenta el efecto de las limitaciones de transferencia de masa para las etapas
de la columna, ya que se conoce que el equipo no opera en condición de equilibrio [33].
Por lo tanto, se recurre a definir eficiencias de Murphree para las etapas de la columna en
las simulaciones en Aspen Dynamics. El cálculo de las eficiencias de Murphree se logra
a partir de los resultados de un modelo de no-equilibrio en estado estacionario del equipo.
Este modelo se expone en el Apéndice A.1. Se obtienen valores entre 0.41 y 0.37 para
las eficiencias de Murphree en las etapas de la columna.
Los datos obtenidos en las simulaciones son procesados en Matlab usando los
complementos de identificación de sistemas. Con estos complementos se obtiene un
modelo no-lineal ARX (del inglés Autoregressive Exogenous Model), para modelar el
comportamiento de la planta. Con los datos disponibles se estiman parámetros a partir de
los estados de entrada y de salida del sistema [34]. Con estos parámetros se estructuran
expresiones polinómicas que constituyen el modelo en tiempo discreto de la planta [35].
Para este problema de control óptimo en lazo cerrado se debe reformular la función
objetivo como se muestra en la ecuación 9:
min 𝐽𝑘 = ∑ 𝛼𝑇(𝑇𝑘,𝑖𝑑 − 𝑇𝑟𝑒𝑓
𝑑 )2
𝑁𝑝
𝑖=0
+ ∑ 𝛽𝑄(𝑄𝑘,𝑖 − 𝑄𝑘,𝑖−1)2
+ 𝛽𝑅(𝑅𝑘,𝑖 − 𝑅𝑘,𝑖−1)2
𝑁𝑢
𝑖=1
(10)
Dado que la concentración es difícil de medir para la implementación del esquema de
control en lazo cerrado, se pueden controlar las temperaturas en las etapas de la columna.
Las temperaturas en las etapas son estados medibles que tienen correspondencia directa
con la concentración de etanol.
Para implementar el filtro de Kalman extendido se sabe que 5 temperaturas a lo largo de
la columna de destilación piloto pueden ser medidas directamente para realizar la
estimación de los estados. Los sensores de temperatura en la columna piloto están
ubicados en las etapas: 1 (condensador), 4, 10, 16 y 17 (rehervidor). El tiempo de
muestreo para la estimación de estados es de 5 minutos. En cada estimación, el filtro de
Kalman extendido realizará linealizaciones subsecuentes del modelo del sistema que
permitirá corregir los estados estimados, a partir de la comparación de las predicciones
del modelo no-lineal dadas por el controlador NMPC, con las mediciones de las 5
temperaturas suministradas a partir del modelo no lineal ARX de la planta [36]. El
esquema de control en lazo cerrado presentado se muestra en la figura 2.
Figura 2: Esquema de control en lazo cerrado.
6. Resultados y análisis
El problema de control se resuelve utilizando el software GAMS® 26.1.0 con el algoritmo
CONOPT en un computador con procesador Intel Core i3 2.00GHz y 8.0 GB de memoria.
En la solución se implementaron los dos modelos algebro-diferenciales expuestos:
DAE2r y DAE2h.
6.1 Problema de control óptimo en lazo abierto
Las respuestas del modelo de control predictivo con estos dos modelos ante las tres
perturbaciones presentadas en lazo abierto se compararon con un controlador
convencional PI. Para la determinación de los parámetros de sintonización del
controlador PI se utilizaron las reglas IMC (del inglés Internal Model Control) [37].
Para contrarrestar la primera perturbación, no se requirieron cambios drásticos en las
variables manipuladas (Figura 3) para reestablecer el grado de pureza deseado en el
destilado (Figura 4). En el caso de la segunda perturbación, deben implementarse
cambios drásticos en las variables manipuladas (Figura 5) para retornar al valor deseado
de pureza (Figura 6). Para la tercera perturbación evaluada, se necesitaron cambios de
magnitud significativa sobre las variables manipuladas (Figura 7) para mantener la
condición de pureza deseada en el destilado (Figura 8).
Como se puede apreciar en los resultados, el modelo de control predictivo responde
mucho más rápido que el controlador convencional PI, alcanzando el valor de la
restricción de pureza deseada en menor tiempo. Entre los modelos algebro-diferenciales
implementados se pudo observar que no hay una diferencia significativa en la respuesta
obtenida, sin embargo, el modelo DAE2h presenta un mejor desempeño en términos de
tiempo computacional como se puede observar en la Tabla 4.
Figura 3: Perfiles Perturbación 1: NMPC con dos modelos (DAE2h y DAE2r) y control
PI. (a) Calor en el rehervidor. (b) Relación de reflujo.
Figura 4: Perfil Composición molar de etanol en el destilado. Perturbación 1: NMPC con
dos modelos (DAE2h y DAE2r) y control PI.
Modelo
Tiempo computacional
promedio [𝒔]
Tiempo computacional
máximo [𝒔]
DAE2h DAE2r DAE2h DAE2r
Perturbación 1 63.74 93.42 240.95 753.46
Perturbación 2 71.68 96.81 268.24 282.14
Perturbación 3 58.21 79.54 262.38 261.23
Tabla 4: Desempeño computacional del controlador NMPC en lazo abierto con los
modelos DAE.
Figura 5: Perfiles Perturbación 2: NMPC con dos modelos (DAE2h y DAE2r) y control
PI. (a) Calor en el rehervidor. (b) Relación de reflujo.
Figura 6: Perfil Composición molar de etanol en el destilado. Perturbación 2: NMPC con
dos modelos (DAE2h y DAE2r) y control PI.
Figura 7: Perfiles Perturbación 3: NMPC con dos modelos (DAE2h y DAE2r) y control
PI. (a) Calor en el rehervidor. (b) Relación de reflujo.
Figura 8: Perfil Composición molar de etanol en el destilado. Perturbación 1: NMPC
con dos modelos (DAE2h y DAE2r) y control PI.
6.2 Problema de control óptimo en lazo cerrado
Las respuestas ante las tres perturbaciones del modelo de control predictivo con los
modelos se compararon con un controlador convencional PI. Para la determinación de
los parámetros de sintonización del controlador PI se utilizaron las reglas IMC (del inglés
Internal Model Control) [37].
Como se puede observar en las figuras 9-14, existe una tendencia similar en el
comportamiento de las variables manipuladas observada en las respuestas obtenidas para
las perturbaciones en lazo abierto. Sin embargo, existen diferencias como consecuencia
de evaluar la limitación de transferencia de masa con las eficiencias de Murphree. Esto
se evidencia en el cambio de los valores en la estabilización de las variables manipulables.
También los perfiles de respuesta presentan ligeras oscilaciones como efecto de las
correcciones de estados del sistema. Esto se debe a las fuentes de error contempladas en
los términos que introducen ruido proveniente del sistema y en las mediciones de
temperaturas.
En comparación con las respuestas en lazo cerrado, las variables manipulables toman
mayor tiempo en estabilizarse. De todas formas, la respuesta en lazo cerrado sigue
presentando un mejor desempeño en reestablecer la temperatura del destilado en
comparación con un controlador convencional PI.
Teniendo en cuenta los perfiles obtenidos de la temperatura del destilado, las variaciones
obtenidas como respuesta a las perturbaciones no serán perceptibles. Esto se debe a que
los sensores de medición de temperatura con los que cuenta el equipo piloto no cuentan
con la resolución necesaria para apreciar los cambios en la magnitud obtenidos.
Figura 9: Perfiles Perturbación 1: NMPC con dos modelos (DAE2h y DAE2r) y control
PI. (a) Calor en el rehervidor. (b) Relación de reflujo.
Figura 10: Perfil Temperatura en el destilado. Perturbación 1: NMPC con dos modelos
(DAE2h y DAE2r) y control PI.
Figura 11: Perfiles Perturbación 2: NMPC con dos modelos (DAE2h y DAE2r) y control
PI. (a) Calor en el rehervidor. (b) Relación de reflujo.
Figura 12: Perfil Temperatura en el destilado. Perturbación 2: NMPC con dos modelos
(DAE2h y DAE2r) y control PI.
Figura 13: Perfiles Perturbación 3: NMPC con dos modelos (DAE2h y DAE2r) y control
PI. (a) Calor en el rehervidor. (b) Relación de reflujo.
Figura 14: Perfil Temperatura en el destilado. Perturbación 3: NMPC con dos modelos
(DAE2h y DAE2r) y control PI.
7. Conclusiones y perspectivas
Con los resultados obtenidos se puede concluir que al implementar una estrategia de
control NMPC con base en un modelo DAE, se obtiene un desempeño significativamente
superior a los esquemas de control tradicionales como un control convencional PI, tanto
en lazo abierto como en lazo cerrado.
Las respuestas obtenidas por la estrategia de control NMPC muestran un
comportamiento apropiado y consistente con el objetivo de la acción de control. Así, se
evidencia que el controlador NMPC es capaz de desempeñarse satisfactoriamente en
sistemas con dinámicas altamente no lineales, en un amplio rango de condiciones de
operación.
La eficiencia computacional al implementar el controlador NMPC en la configuración de
lazo cerrado planteada (Off-line) y el comportamiento adecuado en la respuesta indica
que la implementación del controlador NMPC On-line con el equipo piloto real es
factible. Sin embargo, la resolución de los sensores de temperatura impide totalmente el
seguimiento de los cambios de temperatura.
Con base en esto, se debe plantear otra variable medible que tenga correspondencia
directa con la concentración de etanol en el destilado para la formulación del problema
de control óptimo. Con esto, el trabajo a futuro estaría dirigido a desarrollar una interfaz
entre el controlador NMPC y el equipo piloto para realizar la verificación experimental
del esquema de control. Para la correcta verificación experimental, se debe considerar la
caída de presión en la columna de destilación piloto, la cual se controla mediante el calor
en el rehervidor.
En el trabajo a futuro también es necesario validar el filtro de Kalman extendido como
estimador de estados en la columna de destilación, ya que en este no se incorporan
restricciones que aseguren el sentido físico de las variables. En este aspecto, se podría
implementar la estimación de horizonte móvil MHE (del inglés Moving-Horizon
Estimation), en el cual se pueden incluir fácilmente restricciones de los estados del
sistema dinámico.
Nomenclatura 𝑎=Área interfacial total en cada etapa [𝑚2]
𝐴𝑎=Área activa del plato [𝑚2]
𝐶=Coeficiente cálculo propiedades
𝑐𝑡=Volumen molar [𝑚𝑜𝑙/𝑚3 ]
ℰ=Tasa de transferencia de energía a través de la interfase [𝐽/𝑠]
𝐸𝑀𝑉=Eficiencia de Murphree
𝐹=Flujo de la corriente de alimentación [𝑚𝑜𝑙/𝑠]
𝐹=Matriz jacobiana de la función 𝑓
𝐹=Función de mapeo no lineal
𝑓=Ecuaciones diferenciales
𝑓=Dinámica del sistema
𝐹𝑃=Parámetro de flujo
𝑔=Restricciones de desigualdad
𝐻0=Entalpía de formación [𝐽/𝑚𝑜𝑙]
𝐻=Entalpía del vapor [𝐽/𝑚𝑜𝑙]
�̅�=Entalpía molar parcial [𝐽/𝑚𝑜𝑙]
𝐻=Matriz jacobiana de la función ℎ
ℎ=Entalpía del líquido [𝐽/𝑚𝑜𝑙]
ℎ=Espacio de malla
ℎ = Restricciones de igualdad
ℎ=Función de medición
ℎ𝑤= Altura del bajante a la salida de la etapa [𝑚]
𝐼=Matriz identidad
𝐽=Función objetivo
𝑘=Coeficiente de transferencia de masa [𝑚/𝑠]
𝐾=Ganancia del filtro
𝐾=Número de puntos de colocación
𝐾=Valor K
𝑘=Instante de tiempo
𝐿=Flujo de líquido [𝑚𝑜𝑙/𝑠]
𝐿𝑤=Diámetro del bajante [𝑚]
ℓ=Interpolación polinómica de Lagrange
𝑀=Masa de líquido acumulada [𝑚𝑜𝑙]
𝑀𝑁=Peso molecular [𝑘𝑔/𝑘𝑔𝑚𝑜𝑙]
𝑁=Longitud del horizonte
𝑁𝐸=Número de elementos de tiempo discretizado
𝒩=Tasa de transferencia de masa a través de la interfase [𝑚𝑜𝑙/𝑠]
𝑃=Presión total [𝑏𝑎𝑟]
𝑃=Matriz de covarianza
𝑃𝑆𝑎𝑡=Presión de saturación [𝑏𝑎𝑟]
𝑄=Carga térmica en el rehervidor [𝑊]
𝑄=Flujo volumétrico [𝑚3/𝑠]
𝑅𝐸𝑥𝑡=Radio externo de los platos (zona activa) [𝑚]
𝑅𝐼𝑛𝑡=Radio interno de los platos (zona activa) [𝑚]
𝑅𝑅=Relación de reflujo
𝑇=Temperatura [𝐾]
𝑡=Tiempo
𝑇𝑏=Temperatura de ebullición [𝐾]
𝑈=Energía interna [𝐽]
𝑢=Variables manipuladas
𝑢=Estados de entrada del sistema
𝑣=Fuentes de error en la medición
𝑉 = Flujo de vapor [𝑚𝑜𝑙/𝑠]
𝑤=Fuentes de error en el sistema
𝑥=Fracción molar en la fase líquida
𝑥=Estado del sistema
�̂�=Estado estimado del sistema
𝑦=Fracción molar en la fase vapor
𝑦=Variable de estado
𝑦=Variable de estado diferenciales
𝑦=Medición del sistema
𝑦=Estados de salida del sistema
𝑦0=Valores de las condiciones iniciales para las variables diferenciales
𝑧=Fracción molar en la corriente de alimentación
𝑧=Variables de estado algebraicas
𝜌=Densidad molar [𝑚𝑜𝑙/𝑐𝑚3]
Símbolos griegos
𝛼=Peso del término en la función de seguimiento cuadrático
𝛽=Peso del término en la función de seguimiento cuadrático
𝛾=Coeficiente de actividad
𝜏=Punto de Radau
𝜑=Función de trayectorias de las variables de estado
𝜙=Función de costo terminal de los estados
𝜔=Factor acéntrico
Superíndices
0=Propiedad de formación
𝑑=Destilado
𝐸𝑡𝑂𝐻=Etanol
𝐼=Interfase
𝑗=Componente
𝐿=Fase líquida
𝑉=Fase vapor
𝑆𝑎𝑡=Propiedad de saturación
Subíndices
0=Valor inicial
𝐴=Referencia a ecuación de Antoine Extendida
𝑐=Propiedad crítica
𝑐=Referencia capacidad calorífica gas ideal
𝐶𝑜𝑛𝑑=Se refiere al condensador
𝑑=Referencia a densidad molar líquida
𝑓=Valor final
𝑖=Elemento del mallado temporal
𝑖=Predicción
𝑖=Componente
𝑗=Componente
𝑗=Punto de colocación ortogonal
𝑘=Instante de tiempo actual
𝑘=Punto de colocación ortogonal
𝑚=Mezcla etanol-agua alimentada a la columna
𝑛= Número de etapa de la columna de destilación
𝑝=Horizonte de predicción
𝑄=Carga térmica en el rehervidor
𝑅=Relación de reflujo
𝑅𝑒𝑏=Se refiere al rehervidor
𝑟𝑒𝑓=Valor de referencia
𝑠𝑝=Set point
𝑇=Temperatura
𝑢=Horizonte de control
𝑣=Referencia entalpía específica vaporización
𝑣𝑎𝑝=Propiedad de vaporización
𝑥=Composición de etanol en el destilado
∗ =Fracción molar de la fase de vapor en equilibrio
Bibliografía
[1] M. Rodionova, R. Poudyal, I. Tiwari, R. Voloshin, S. Zharmukhamedov, H. Nam, B.
Zayadan, B. Bruce, H. Hou y S. Allakhverdiev, «Biofuel production: Challenges and
opportunities,» International Journal of Hyodrogen Energy, 2017.
[2] S. Navarrete-Contreras, M. Sánchez-Ibarra, F. O. Barroso-Muñoz, S. Hernández y A.
J. Castro-Montoya, «Use of glycerol as entrainer in the dehydration of bioethanol
using extractive batch distillation: Simulation and experimental estudies,» Chemical
Engineering and Processing, 2014.
[3] W. L. Luyben, «Distillation Control,» de Distillation: Operations and Applications,
Elsevier, 2014.
[4] M. Baldea y D. Prodromos, Dynamics and Nonlinear Control of Integrated Process
Systems, Cambridge University Press, 2012.
[5] W. L. Luyben, Practical Distillation Control, Van Nostrand Reinhold, 1992.
[6] S. V. Rakovic y W. S. Levine, Handbook of Model Predictive Control, Springer,
2018.
[7] A. Rueda Ferreiro y S. Cristea, «Non-linear Predictive Control Applied to Distillation
Columns,» 2nd Meeting of EcosimPro Users, 2003.
[8] M. Diehl, I. Uslu, R. Findeisen, S. Schwarzkopf, F. Allgower, H. G. Bock, T. Burner,
E. D. Gielles, A. Kienle, J. P. Schloder y E. Stein, «Real-Time Optimization for Large
Scale Processes: Nonlinear Model Predictive Control of a High Purity Distillation
Colum,» Springer-Verlag, 2001.
[9] F. Allgower, R. Findeisen y Z. K. Nagy, «Nonlinear Model Predictive Control: From
Theory to Application,» Journal of the Chinese Institute of Chemical Engineers, pp.
299-315, 2004.
[10] L. Grune y J. Pannek, Nonlinear Model Predictive Control: Theory and Algorithms,
Springer, 2016.
[11] H. H. J. Bloemen, C. T. Chou, T. J. J. Van den Boom, V. Verdult, M. Verhaegen y T.
C. Backx, «Wieneer model identification and predictive control for dual composition
control of a distillation column,» Journal of Process Control, pp. 601-620, 2001.
[12] M. Alpbaz, S. Karacan, Y. Cabbar y H. Hapoglu, «Application of model predictive
control and dynamic analysis to a pilot distillation column and experimental
verification,» Chemical Engineering Journal, pp. 163-174, 2002.
[13] M. Diehl, R. Findeisen, S. Schwarzkopf, I. Uslu, F. Allgower , H. G. Bock, E. D.
Gilles y J. P. Schloder, «An Efficient Algorithm for Nonlinear Model Predictive
Control of Large-Scale Systems Part II: Experimental Evaluation for a Distillation
Column,» Automatisierungstechnick, pp. 22-29, 2003.
[14] A. K. Jana, A. N. Samanta y S. Ganguly, «Nonlinear model-based control algorithm
for a distillation column using software sensor,» ISA Transactions, pp. 259-271,
2005.
[15] A. Rueda, S. Cristea, C. d. Prada y R. d. Keyser, «Non-linear Predictive Control for a
Distillation Column,» IEEE Conference on Decision and Control, pp. 5156-5161,
2005.
[16] F. Lozano Santamaría y J. M. Goméz, «Index Hybrid Differential-Algebraic
Equations Model Based on Fundamental Principles for Nonlinear Model Predictive
Control of a Flash Separation Drum,» Industrial & Engineering Chemistry Research,
2015.
[17] F. Lozano Santamaría y J. M. Goméz, «Economic Oriented NMPC for an Extractive
Distillation Column Using and Index Hybrid DAE Model Based on Fundamental
Principles,» Industrial & Engineering Chemistry Research, 2015.
[18] P. Flatby, S. Skogestad y P. Lundstrom, «Rigourous Dynamic Simulation of
Distillation Column Based on UV-Flash.,» IFAC Symposium on advanced control of
chemical processes, 1994.
[19] C. Monteil, «Tecniques de L'ingénieur. Colonnes á plateux: dimensionnment,»
J263(Vol II), 1965.
[20] F. Zuiderweg, «Sieve Trays: A view on the state of the art,» Chemical Engineering
Science, 1982.
[21] A. Kumar y P. Daoutidis, «Control of Nonlinear Differential Algebraic Equation
Systems: An Overview,» Springer, 1998.
[22] M. Ramos, P. García-Herreros, J. Gómez y J. Reneaume, «Optimal control of the
extractive distillation for the production of fuel-grade ethanol,» Ind. Eng. Chem. Res.,
2013.
[23] J. Logsdon y L. Biegler, «Accurate solution of differential algebraic optimization
problems,» Ind. Eng. Chem. Res., 1989.
[24] L. Biegler, Nonlinear Programming. Concepts, Algorithms and Applications to the
chemical process, Society for Industrial and Applied Mathematics, 2010.
[25] J. Maciejowski, Predictive Control with Constraints, Prentice Hall, 2002.
[26] K. Brenan, S. Campbell y L. Petzold, Numerical Solution of Initial-Value Problems in
Differential-Algebraic Equations, SIAM, Society for Industrial and Applied
Mathematics, 1996.
[27] G. Buzzi-Ferraris y F. Manenti, Differential and Differential-Algebraic Systems for
the Chemical Engineer, WILEY-VCH, 2014.
[28] J. Cuthrell y L. Biegler, «On the optimization of Differential-Algebraic Systems of
Equations in Chemical Engineering,» AICHE Journal, 1987.
[29] Aspen-Technology, «Aspen ONE,» Asoen Techonology.
[30] F. Lozano Santamaría y J. M. Gómez, «An Algorithm for Tuning NMPC Controllers
with Applications to Chemical Processes,» Industrial & Engineering Chemistry
Research, 2016.
[31] E. L. Haseltine y J. B. Rawlings, «Critical evaluation of extended kalman filtering
and moving-horizon estimation.,» Industrial Engineering Chemistry Research, 2005.
[32] S. A. Taqvi, L. D. Tufa y S. Muhadizir, «Optimization and Dynamics of Distillation
Columna using Aspen Plus,» Science Direct, 2016.
[33] D. A. Liñan Romero, «Modelamiento riguroso de la columna de destilación
DVI/3000/S y validación experimental.,» Universidad de Los Andes.
[34] MathWorks, «About identified nonlinear models,» 2020. [En línea]. Available:
https://www.mathworks.com/help/ident/ug/about-nonlinear-model-
identification.html.
[35] B. Azzopardi, Sustainable Deveopment in Energy Systems, Springer, 2017.
[36] M. Diehl, H. G. Bock, J. P. Schloder, R. Findeisen , Z. Nagy y F. Allgower, «Real-
time optimization and nonlinear model predictive control of process governed by
differential-algebraic equations,» Elsevier, 2002.
[37] R. Dorf y R. H. Bishop, Modern Control Systems, Pearson, 2011.
[38] R. Taylor y R. Krishna, Multicomponent mass transfer, John Wiley & Sons, 1993.
[39] «Capítulo 4: Simulación dinámica,» de Integrated design and simulation of chemical
processes, Elsevier, 2003.
[40] S. Kameswaran y L. T. Biegler, «Convergence rates for direct transcription of optimal
problems using collocation at Radau points,» Computational optimization and
applications, 2008.
Apéndices A.1. Modelo de no equilibrio en estado estacionario para las etapas internas [38].
Balances de materia por componente 𝑗 en la fase vapor. ∀ 𝑛 \{1, 𝑁}
𝑉𝑛𝑦𝑗,𝑛 − 𝑉𝑛+1𝑦𝑗,𝑛+1 − 𝐹𝑗,𝑛𝑉 + 𝒩𝑗,𝑛 = 0 (𝐴. 1)
Balances de materia por componente 𝑗 en la fase líquida. ∀ 𝑛 \{1, 𝑁}
𝐿𝑛𝑥𝑗,𝑛 − 𝐿𝑛−1𝑥𝑗,𝑛−1 − 𝐹𝑗,𝑛𝐿 − 𝒩𝑗,𝑛 = 0 (𝐴. 2)
Balance de materia total para la fase vapor. ∀ 𝑛 \{1, 𝑁}
𝑉𝑛 − 𝑉𝑛+1 − ∑ 𝐹𝑗,𝑛𝑉
𝑗
+ ∑ 𝒩𝑗,𝑛
𝑗
= 0 (𝐴. 3)
Balance de materia total para la fase líquida. ∀ 𝑛 \{1, 𝑁}
𝐿𝑛 − 𝐿𝑛−1 − ∑ 𝐹𝑗,𝑛𝐿
𝑗
+ ∑ 𝒩𝑗,𝑛
𝑗
(𝐴. 4)
Balance de materia interfacial por componente 𝑗. ∀ 𝑛 \{1, 𝑁}
𝒩𝑗,𝑛 = 𝑐𝑡,𝑛𝑉 𝑘𝑛
𝑉𝑎𝑛(𝑦𝑗,𝑛 − 𝑦𝑗,𝑛𝐼 ) + 𝑦𝑗,𝑛 ∑ 𝒩𝑗,𝑛
𝑗
(𝐴. 5)
𝒩𝑗,𝑛 = 𝑐𝑡,𝑛𝐿 𝑘𝑛
𝐿𝑎𝑛(𝑥𝑗,𝑛𝐼 − 𝑥𝑗,𝑛) + 𝑥𝑗,𝑛 ∑ 𝒩𝑗,𝑛
𝑗
(𝐴. 6)
Balance de energía para la fase vapor. ∀ 𝑛 \{1, 𝑁}
𝑉𝑛𝐻𝑛𝑉 − 𝑉𝑛+1 − 𝐹𝑛
𝑉𝐻𝑛𝑉𝐹 + ℰ𝑛 = 0 (𝐴. 7)
Balance de energía para la fase líquida.
𝐿𝑛𝐻𝑛𝐿 − 𝐿𝑛−1𝐻𝑛−1
𝐿 − 𝐹𝑛𝐿𝐻𝑛
𝐿𝐹 + ℰ𝑛 = 0 (𝐴. 8)
Balance de energía interfacial. ∀ 𝑛 \{1, 𝑁}
ℰ𝑛𝑉 = ℎ𝑛
𝑉𝑎𝑛(𝑇𝑛𝑉 − 𝑇𝑛
𝐼) + ∑ 𝒩𝑗,𝑛𝑉 �̅�𝑗,𝑛
𝑉
𝑗
(𝐴. 9)
ℰ𝑛𝐿 = ℎ𝑛
𝐿 𝑎𝑛(𝑇𝑛𝐼 − 𝑇𝑛
𝐿) + ∑ 𝒩𝑗,𝑛𝐿 �̅�𝑗,𝑛
𝐿
𝑗
(𝐴. 10)
Relaciones de equilibrio. ∀ 𝑛 \{1, 𝑁}
𝐸𝑗,𝑛𝑀𝑉𝐾𝑗,𝑛𝑥𝑗,𝑛 − 𝑦𝑗,𝑛 − (1 − 𝐸𝑗,𝑛
𝑀𝑉)𝑦𝑗,𝑛+1 = 0 (𝐴. 11)
Relaciones de equilibrio en la interfase. ∀ 𝑛 \{1, 𝑁}
𝐾𝑗,𝑛𝐼 𝑥𝑗,𝑛
𝐼 − 𝑦𝑗,𝑛𝐼 = 0 (𝐴. 12)
Ecuaciones de suma en la interfase. ∀ 𝑛 \{1, 𝑁}
∑ 𝑦𝑗,𝑛𝐼
𝑗
= 0 (𝐴. 13)
∑ 𝑥𝑗,𝑛𝐼
𝑗
= 0 (𝐴. 14)
A.2. Propiedades físicas.
La información de las propiedades de los componentes se obtiene a partir de la base de
datos de Aspen Plus ®.
Tabla A.1: Propiedades físicas y críticas de los componentes
𝑷𝒄 [𝒃𝒂𝒓] 𝑻𝒄[𝑲] 𝝎 𝑴𝑾 [
𝒌𝒈
𝒌𝒎𝒐𝒍] 𝑯𝟎 [
𝒌𝑱
𝒌𝒎𝒐𝒍]
𝑻𝒃 [𝑲]
Agua 220.64 373.946 0.344861 18.0153 −241.818 100
Etanol 61.37 240.85 0.643558 46.069 −234.95 78.29
A.3. Condiciones dependientes de las propiedades físicas.
Presión de saturación
ln 𝑃𝑖𝑆𝑎𝑡 = 𝐶1𝐴,𝑖 +
𝐶2𝐴,𝑖
𝑇 + 𝐶3𝐴,𝑖+ 𝐶4𝐴,𝑖𝑇 + 𝐶5𝐴,𝑖 ln 𝑇 + 𝐶6𝐴,𝑖 (𝐴. 15)
Tabla A.2: Coeficientes de la ecuación de Antoine extendida, 𝑻[𝑲], 𝑷𝒊𝑺𝒂𝒕[𝒃𝒂𝒓]
𝑪𝟏𝑨 𝑪𝟐𝑨 𝑪𝟑𝑨 𝑪𝟒𝑨 𝑪𝟓𝑨 𝑪𝟔𝑨 𝑪𝟕𝑨
𝑨𝒈𝒖𝒂 62.136 −7258.2 0 0 −7.3037 4.1653 ∙ 10−6 2
𝑬𝒕𝒂𝒏𝒐𝒍 61.791 −7122.3 0 0 −7.1424 2.8853 ∙ 10−6 2
Cálculo de densidad molar fase líquida
𝜏𝐻2𝑂 = 1 −𝑇 − 273.15𝐾
𝑇𝑐 (𝐴. 16)
�̅�𝐿,𝐻2𝑂 = 𝐶1𝑑,𝐻2𝑂 + 𝐶2𝑑,𝐻2𝑂(𝜏𝐻2𝑂)0.35
+ 𝐶3𝑑,𝐻2𝑂(𝜏𝐻2𝑂)23 + 𝐶4𝑑,𝐻2𝑂𝜏𝐻2𝑂
(𝐴. 17)
+𝐶5𝑑,𝐻2𝑂(𝜏𝐻2𝑂)4
3
�̅�𝐿,𝐸𝑡𝑂𝐻 =𝐶1𝑑,𝐸𝑡𝑂𝐻
(𝐶2𝑑,𝐸𝑡𝑂𝐻)1+(1−
𝑇𝐶3𝑑,𝐸𝑡𝑂𝐻
)𝐶4𝑑,𝐸𝑡𝑂𝐻
(𝐴. 18)
Tabla A.3: Coeficientes cálculo densidad molar líquido
𝑪𝟏𝒅 𝑪𝟐𝒅 𝑪𝟑𝒅 𝑪𝟒𝒅 𝑪𝟓𝒅
𝑨𝒈𝒖𝒂 17.863 58.606 −95.396 213.89 −141.26
𝑬𝒕𝒂𝒏𝒐𝒍 1.6288 0.27469 514 0.23178 0
Capacidad calorífica gas ideal
𝐶𝑝𝑣,𝑖𝑖𝑔
= 𝐶1𝑐,𝑖 + 𝐶2𝑐,𝑖𝑇 + 𝐶3𝑐,𝑖𝑇2 + 𝐶4𝑐,𝑖𝑇
3 + 𝐶5𝑐,𝑖𝑇4 + 𝐶6𝑐,𝑖𝑇
5 (𝐴. 19)
Tabla A.4: Coeficientes cálculo capacidad calorífica gas ideal
𝑪𝟏𝒄 𝑪𝟐𝒄 𝑪𝟑𝒄 𝑪𝟒𝒄 𝑪𝟓𝒄 𝑪𝟔𝒄
𝑨𝒈𝒖𝒂 33.738 −7.017 ∙ 10−3 2.729 ∙ 10−5 −1.664 ∙ 10−8 4.297 ∙ 10−12 −4.169 ∙ 10−16
𝑬𝒕𝒂𝒏𝒐𝒍 9.014 0.214 −8.39 ∙ 10−5 1.373 ∙ 10−9 0 0
Entalpía específica fase vapor gas ideal
𝐻𝑣,𝑖 = 𝐻𝑖0 + 𝐶1𝑐,𝑖(𝑇 − 𝑇𝑟𝑒𝑓) +
𝐶2𝑐,𝑖
2(𝑇2 − 𝑇𝑟𝑒𝑓
2 ) +𝐶3𝑐,𝑖
3(𝑇3 − 𝑇𝑟𝑒𝑓
3 ) (𝐴. 20)
+𝐶4𝑐,𝑖
4(𝑇4 − 𝑇𝑟𝑒𝑓
4 ) +𝐶5𝑐,𝑖
5(𝑇5 − 𝑇𝑟𝑒𝑓
5 ) +𝐶6𝑐,𝑖
6(𝑇6 − 𝑇𝑟𝑒𝑓
6 )
Entalpía específica de vaporización
∆𝐻𝑣𝑎𝑝,𝑖 = 𝐶1𝑣,𝑖 (1 −𝑇
𝑇𝑐,𝑖)
𝐶2𝑣,𝑖+𝐶3𝑣,𝑖𝑇
𝑇𝑐,𝑖+𝐶4𝑣,𝑖(
𝑇𝑇𝑐,𝑖
)2
+𝐶5𝑣,𝑖(𝑇
𝑇𝑐,𝑖)
3
Tabla A.5: Coeficientes cálculo entalpía específica de vaporización
(𝐴. 21)
𝑪𝟏𝒗 𝑪𝟐𝒗 𝑪𝟑𝒗 𝑪𝟒𝒗 𝑪𝟓𝒗
𝑨𝒈𝒖𝒂 51546 0.28402 −0.15843 0.2375 0
𝑬𝒕𝒂𝒏𝒐𝒍 55789 0.31245 0 0 0
Entalpía especifica fase líquida
𝐻𝐿,𝑖 = 𝐻𝑣,𝑖 − ∆𝐻𝑣𝑎𝑝,𝑖 (𝐴. 22)
A.4. Modelo termodinámico.
El modelo NRTL (del inglés Non Random Two Liquids) para el cálculo de los
coeficientes 𝛾𝑖 de actividad está descrito por las siguientes ecuaciones:
ln 𝛾𝑖 =𝐶𝑖
𝑆𝑖+ ∑ 𝑥𝑘𝜀𝑖𝑘
𝑘∈𝐶
(𝐴. 23. 𝑎)
𝜀𝑖𝑘 =𝐺𝑖𝑘
𝑆𝑘(𝜏𝑖𝑘 −
𝐶𝑘
𝑆𝑘)
(𝐴. 23. 𝑏)
𝐶𝑖 = ∑ 𝑥𝑗𝐺𝑗𝑖𝜏𝑗𝑖
𝑗∈𝐶
(𝐴. 23. 𝑐)
𝑆𝑖 = ∑ 𝑥𝑗
𝑗∈𝐶
𝐺𝑗𝑖 (𝐴. 23. 𝑑)
𝐺𝑖𝑗 = exp(−𝛼𝑖𝑗𝜏𝑖𝑗) (𝐴. 23. 𝑒)
𝜏𝑖𝑗 = 𝛼𝑖𝑗 +𝑏𝑖𝑗
𝑇
(𝐴. 23. 𝑓)
Donde los parámetros 𝑎𝑖𝑗, 𝑏𝑖𝑗 y 𝛼𝑖𝑗 son los parámetros de interacción. Estos
parámetros se obtienen a partir de la información generada por el modelo UNIFAC
(del inglés Universal Functional-group Activity Coefficients).
Tabla A.6: Parámetros de interacción 𝑎𝑖𝑗 para el modelo NRTL.
Agua Etanol
Agua 0 3.4578
Etanol −0.8009 0
Tabla A.7: Parámetros de interacción 𝑏𝑖𝑗 para el modelo NRTL.
Agua Etanol
Agua 0 −568.081
Etanol 246.18 0
Tabla A.8: Parámetros de interacción 𝛼𝑖𝑗 para el modelo NRTL.
Agua Etanol
Agua 0 0.3
Etanol 0.3 0
A.5. Parámetros geométricos de los platos tipo campana.
Tabla A.9: Parámetros geométricos de los platos tipo campana
Parámetro Valor
ℎ𝑤 [𝑚] 6.3 ∙ 10−3
𝐿𝑤 [𝑚] 7.23 ∙ 10−3
𝑅𝐸𝑥𝑡 [𝑚] 0.025
𝑅𝐼𝑛𝑡 [𝑚] 0.02098
𝐴𝑎 [𝑚2] 0.00058
A.6. Simulaciones de la columna de destilación piloto en el software Aspen
En Aspen se simula una columna de destilación de 17 etapas en las que se incluyen un
rehervidor parcial y un condensador total. En esta columna se separa una mezcla binaria
de etanol (0.65) y agua (0.35). La alimentación entra a una tasa de 13.5 𝐿/ℎ a una presión
de 0.75 𝑏𝑎𝑟 y 333 𝐾 de temperatura. Se busca separar el etanol con un alto nivel de
pureza en el destilado. Parte del destilado se destina a la columna mediante un reflujo. En
primer lugar, se lleva a cabo una simulación de la operación en estado estable de la
columna en Aspen Plus. Para esto, se utiliza el modelo de Aspen RADFRAC. Las
siguientes especificaciones fueron utilizadas para simular la operación de la unidad
bloque correspondiente a la columna de destilación.
La simulación en estado estable realizada en Aspen Plus se exporta a Aspen Dynamics.
Para este caso, se lleva a cabo una simulación flow-driven. Este tipo de simulación se
basa en la suposición de un control perfecto para la determinación de los flujos en cada
etapa y en las salidas de la columna. También incorpora controladores automáticamente
con parámetros predeterminados [39]. En la simulación dinámica se define un
controlador para la variable de estado de interés correspondiente a temperatura en el
condensador. Para la identificación del modelo dinámico del proceso se recurre a evaluar
la respuesta del sistema ante una perturbación tipo step +𝟏𝟎% en la tasa de flujo de
alimentación. La perturbación se introduce a los 30 minutos de operación de la columna
en el estado estable inicial. Se tendrá en cuenta la respuesta del sistema en el
comportamiento de las variables manipulables. Las variables manipulables observadas
son el calor en el rehervidor y a la relación de reflujo. Los datos obtenidos de esta
simulación se utilizarán para definir el modelo matemático que representará el
comportamiento de la planta en la implementación del filtro de Kalman extendido. Dicho
modelo se obtiene mediante los complementos de identificación de sistemas no lineales
de Matlab.
Tabla A.10: Especificaciones de las condiciones de la columna de destilación en Aspen
Especificación Detalle
Altura de la columna [𝑚] 1.7
Diámetro de la columna [𝑚] 0.05
Número de etapas 17
Etapa de alimentación 11
Tipo de plato Campana
Material de construcción Vidrio DN50
Tipo de condensador Total
Tipo de rehervidor Kettle
Tabla A.11: Especificaciones de las condiciones de alimentación en la columna de
destilación en Aspen
Condiciones de operación Valor
Presión en la columna (𝑏𝑎𝑟) 0.75
Número de etapas 17
Tasa de flujo de alimentación (𝐿/ℎ) 13.5
Temperatura de alimentación (𝐾) 333
Etapa de alimentación 11
Porcentaje molar de etanol en la alimentación 0.65
Porcentaje molar de agua en la alimentación 0.35
A.7. Acumulación de líquido en la etapa 𝒏 [20].
𝑀𝑛𝐿 = 0.6𝜌𝑛
𝐿𝐴𝑎ℎ𝑤0.5 (𝐹𝑃𝑛
𝜋𝐴𝑎
𝐿𝑤)
0.25
(𝐴. 24. 𝑎)
Donde 𝐹𝑃𝑛 es el factor de flujo de la etapa 𝑛:
𝐹𝑃𝑛 =𝑄𝑛
𝐿
𝑄𝑛𝑣 (
𝜌𝑛𝐿
𝜌𝑛𝑉) (𝐴. 24. 𝑏)
A.8. Ecuación de colocación ortogonal [40].
Al realizar una discretización de ecuaciones diferenciales mediante colocación
ortogonal, se obtiene una suma ponderada de las variables en cada paso de integración.
∑ ℓ̇𝑘
𝐾
𝑘=0
(𝜏𝑗)𝑦𝑖𝑘 − ℎ𝑓(𝑦𝑖𝑗, 𝑢𝑖𝑗) = 0 𝑖 = 1, … , 𝑡𝑓 , 𝑗 = 1, … , 𝐾 (𝐴. 25. 𝑎)
Donde 𝜏𝑗 son los puntos de Radau. Siendo el espacio de malla ℎ
ℎ =𝑡𝑓 − 𝑡0
𝑁𝐸 (𝐴. 25. 𝑏)
Teniendo en cuenta la derivada de la interpolación polinómica de Lagrange ℓ:
ℓ̇𝑘(𝜏) =𝑑ℓ
𝑑𝜏(𝜏) (𝐴. 25. 𝑐)
A.9 Modelos no-lineales ARX
La estructura de un modelo no lineal ARX permite modelar el comportamiento no -lineal
de un sistema mediante funciones no-lineales flexibles. La forma general de un modelo
no lineal en tiempo discreto es:
𝑦(𝑡) = 𝐹(𝑦(𝑡 − 1), 𝑦(𝑡 − 2), 𝑦(𝑡 − 3), … , 𝑢(𝑡), 𝑢(𝑡 − 1), 𝑢(𝑡 − 2), … ) (𝐴. 26)
Donde 𝐹 es una función de mapeo no lineal que corresponde a un modelo de regresores
que depende de valores de estados de entrada y de salida del sistema en instantes de
tiempo anteriores.
Top Related