Nuevas Direcciones Para La Optimización De Procesos No Lineales.docx

Nuevas direcciones para la optimización de procesos no lineales Las últimas tres décadas se han visto tremendos avances en algoritmos de programación no lineal (NPL) y software para procesos de optimización. Además, Los potentes entornos de modelado de optimización permiten la formulación y solución de aplicaciones de optimización a gran escala. De hecho, la combinación de algoritmos modernos NPL y plataformas de optimización conduce a estrategias de solución que ahora resuelven problemas rutinarios con 104-106 variables, con un mayor impacto en diseño de procesos, operaciones y control. Este es aquí ilustrado con dos casos de estudio de optimización dinámica para enfatizar estas características.

Commented [LA1]: Se muestra como con el uso de sistemas de programación no lineal avanzados se pueden resolver problemas que contienen alrededor de un millón de variables.

Además, estas poderosas estrategias de optimización se integran a plataformas accesibles de modelado de optimización que se pueden incorporar dentro de un amplio espectro de tareas de ingeniería. Introducción La optimización ha encontrado un uso extendido en aplicaciones de ingeniería química, especialmente en ingeniería de sistemas de proceso. Problemas de este dominio a menudo tiene muchas alternativas de solución, así que no es fácil identificar la solución óptima a través de la toma de decisiones intuitivas. Además, La economía del sistema a menudo indica que encontrar la solución óptima se traduce en grandes ahorros, así como una gran penalización económica por apegarse a soluciones que no son óptimas. Por los tanto, la optimización se ha convertido en la mayor tecnología que ayuda a la industria química a permanecer competitiva. La tabla 1 enumera varias áreas de ingeniería química que han abordado este tema a través de clases específicas de problemas de optimización. Estos incluyen aplicaciones en síntesis de procesos, diseño de operaciones y control, resueltos como programación lineal(LP), programación cuadrática (QP), programación lineal de enteros mixtos (MILP), programación no lineal (NLP) y programación no lineal de enteros mixtos (MINLP). Cuando los modelos de optimización son representados en forma algebraica, todos los problemas de optimización discretos / continuos se pueden escribir como MINLPs (programación no lineal de enteros mixtos). En ausencia de decisión de variables discretas, el problema de MINLP se reduce a un problema de programación no lineal. Este reporte se enfoca en problemas de PROGRAMACIÓN NO Lineal y brevemente describe métodos que localizan soluciones eficientemente. aunque este enfoque podría aparecer primero como una forma restringida de optimización, las NPL (programación no lineal) aparecen en muchos modelos de ingeniería a gran escala y también forman componentes importantes de estrategias para problemas de

Commented [LA2]: Esto se debe a la capacidad que tiene los software en la selección de la propuesta que mayor convenga a la compañía, ya que como se menciona en el párrafo anterior de ello depende un ahorro o fracaso total, ya que realizar una tarea de este tipo implica una inversión no solo en tiempo si no esfuerzo por parte de un grupo integro y altamente calificado que pueda modelar el problema.

Commented [LA3]: Esto se debe a que al no haber selección de variables las cuales pueden ser una u otra el problema queda sin ese tipo de restricciones volviéndose de programación no lineal.

MINLP (programación no lineal de enteros mixtos)., así como algoritmos determinísticos globales óptimos para problemas no convexos. Commented [LA4]: LP : programación lineal MILP : programación lineal entera mixta QP: programación cuadrática NLP: programación NO lineal MINLP: programación lineal entera mixta

Además, la creación y el despliegue de modelos no lineales para procesos químicos son esenciales para la toma de decisiones en diseño, operaciones y control. De hecho, la práctica de la ingeniería está respaldada por una gran cantidad de modelos de simulación rigurosos que son confiables para predecir el diseño y la operación. escenarios para nuevos procesos y productos. Además, los enfoques sistemáticos para la toma de decisiones exigen modelos precisos para simular sus consecuencias en el mundo real. En consecuencia, la calidad de estas decisiones está fuertemente influenciada por la eficiencia de las estrategias de optimización, así como su interacción con modelos de simulación detallados para formar modelos de optimización integrados.

evolución de la optimización: desde búsqueda sistemática a soluciones directas. Optimización es un término sobre usado que impregna el proceso de trabajo de ingeniería. La práctica de ingeniería a menudo considera la mayoría de las estrategias de optimización como enfoques de estudio de caso glorificados, donde una técnica de búsqueda se ajusta al modelo de proceso y se dirige a proporcionar soluciones de simulación de proceso hasta que se encuentre la 'mejor' respuesta. No dude que cada herramienta es efectiva y conduce a mejoras significativas y consistentes, incluso cuando es utilizado por los ingenieros menos experimentados. por otro lado, tales enfoques pueden ser muy costosos de ejecutar para problemas grandes, y a menudo no está claro si todas las opciones se han explorado dentro del presupuesto computacional asignado. La figura 1 muestra la interacción de modelos de proceso con problemas de optimización, descrito con una función objetivo f(x) con las variables x en algunas ecuaciones del espacio restringido X y algebraico (o algebraico diferencial (DAE)) c (x) = 0. Se incluyen entre las variables x las variables de decisión p y los perfiles u (t) (donde t representa una variable independiente, espacio o tiempo).

La grafica de la izquierda muestra un típico, esquema de optimización anidada, donde el modelo de simulación es llamado repetidamente por la estrategia de búsqueda. Recientes avances para la estrategia anidada, incluida la optimización libre de derivadas(DFO) han llevado a algoritmos superiores con fuertes propiedades de convergencia [1]. Sin embargo, las estrategias de búsqueda siguen siendo costosas para problemas con más de unos pocos cientos de grados de libertad y son a menudo prohibitivas para aplicaciones prácticas. En cambio, los estudios de optimización también deben ir más allá del concepto de búsqueda de soluciones mejoradas para resolver las condiciones que se satisfacen por el punto óptimo. Para la optimización no lineal, estas condiciones de optimalidad son bien conocidas; ahora se encuentran disponibles algoritmos y software muy eficientes y robustos que encuentran rápidamente soluciones óptimas locales de

Commented [LA5]: La optimización anidada se basa en la descomposición de problema en múltiples sub problemas los cuales ayudan al apalancamiento de la solución del problema macro y posteriormente por un método se selección se escoge la mejor ruta. Durante este proceso iterativo de soluciones siempre se busca que este cumpla con las restricciones, y por lo tanto se compara y se descartan las soluciones que no satisfacen las necesidades.

sistemas de procesos, con muchos miles de variables y ecuaciones. Además, estas estrategias de optimización aseguran que se han encontrado las mejores soluciones, proporcionan estimaciones eficientes de las soluciones vecinas que se pueden evaluar y conducen a la sensibilidad de la solución óptima a las entradas exógenas. Finalmente, la estrategia de optimización debe ser ayudada por las plataformas de modelado de optimización para que pueda ser incorporada dentro del proceso de trabajo y pueda tratar con variaciones y extensiones de modelos. Desafortunadamente, estas capacidades no están satisfechas con la práctica de ingeniería actual, es decir, al ejecutar estudios de caso (glorificados). El gráfico de la derecha de la Figura 1 representa una estrategia de solución donde las condiciones de optimalidad se resuelven simultáneamente con el modelo de simulación. Las condiciones de optimalidad para el problema en la Figura 1 provienen de las celebradas condiciones Karush-Kuhn-Tucker (KKT) de programación no lineal. Como se detalla en [2, 3 *], las condiciones necesarias para KKT vienen dadas por las condiciones para un punto estacionario, representado por un conjunto de ecuaciones y desigualdades. La resolución de estas condiciones de optimalidad tiene aproximadamente la misma complejidad que la resolución de ecuaciones no lineales y, dentro del marco de modelado correcto, escala de manera eficiente a problemas muy grandes. Además, las condiciones de segundo orden, que confirman la suficiencia y la singularidad local del óptimo, se verifican fácilmente en puntos estacionarios, cuando los segundos derivados están disponibles. Finalmente, las condiciones de regularidad adicionales y las calificaciones de restricciones pueden aplicarse a través del modelado cuidadoso del problema de optimización, junto con implementaciones algorítmicas confiables.

La práctica de ingeniería aún no ha abarcado completamente estos desarrollos, pero existe un tremendo potencial para mejorar tanto el proceso de trabajo como el producto de trabajo. Las herramientas NLP más eficientes ahora manejan millones de variables y restricciones con un modesto esfuerzo computacional. Como resultado, los modelos de procesos no lineales complejos pueden optimizarse lo suficientemente rápido para fines en línea. Además, los avances en conceptos y algoritmos, software y hardware permiten la rápida creación, realización e implementación de modelos de optimización a gran escala que superan los enfoques de búsqueda actuales. Las siguientes secciones discuten conceptos clave que conducen a estrategias de optimización no lineal rápidas y robustas. Además, sus ventajas se demostrarán con estudios de casos en diseño de reactores y control no lineal en línea. Finalmente, los solucionadores de PNL disponibles y las plataformas de modelado de optimización se describen brevemente y se describen los avances futuros.

Commented [LA6]: No tengo claridad buscar KKT

Solución de algoritmos y optimización de modelos La Figura 2 muestra la familia de algoritmos de optimización que se pueden aplicar a problemas de optimización no lineal, así como a los requisitos del modelo de optimización.

Para los modelos de Black Box que proporcionan solo información de entrada y salida, los métodos de búsqueda, incluido el DFO, requieren más que el equivalente de 100 equivalentes de tiempo de simulación (STE), incluso con unos pocos grados de libertad. En cambio, los enfoques SQP y rSQP [4,5], que requieren cierta información derivada del modelo de optimización, conducen a tiempos de simulación mucho menores incluso para problemas de optimización más grandes. Finalmente, los modelos de Glass Box que proporcionan los primeros y segundos derivados exactos, así como la información estructural para el solucionador de NLP, aseguran que la optimización sea tan barata como la solución de un único problema de simulación La clave de este salto en la eficiencia computacional es la aplicación de solucionadores basados en Newton a las condiciones KKT.

Es bien sabido que los solucionadores basados en derivados that such tienen propiedades de convergencia rápida y escalan a grandes problemas explotando la dispersión y la estructura. Menos apreciados entre los profesionales son los avances en la globalización de solucionadores basados en Newton, a través de fuertes propiedades de descenso y métodos de búsqueda de línea y región de confianza [3,6], que permiten la convergencia desde puntos iniciales distantes. Estos avances se han materializado en el desarrollo de métodos NLP de barrera [7,8], que convierten los problemas de optimización restringidos en desigualdad en una secuencia de conjuntos de ecuaciones. Cuando se explotan los segundos derivados exactos y la comparación de modelos, la convergencia se produce rápidamente, incluso para problemas con millones de variables.

Commented [LA7]: Por que se debe precisar con finura donde comenzar para así obtener una solución optima

Para el desarrollo del modelo de optimización, los profesionales también deben respetar las propiedades y requisitos de los algoritmos basados en Newton, incluida la formulación de funciones de modelo suaves y bien definidas, una atención cuidadosa para evitar ecuaciones lineales dependientes y no regulares y la explotación de linealidad, dispersión y estructura. Además, los derivados exactos (y preferiblemente los segundos derivados) deben estar disponibles a partir de ecuaciones de modelado. Por otro lado, las derivadas aproximadas (corrompidas por los errores de redondeo y de truncamiento) comprometen el rendimiento de los métodos de Newton y conducen al deterioro del comportamiento de convergencia. Las pautas generales para la construcción del modelo se discuten en [9,10]. Finalmente, para la incorporación de modelos de ecuaciones diferenciales, se deben incorporar características adicionales para preservar formulaciones de problemas estables, consistentes y precisas para PDE, DAE y EDO [11,12]. Esto requiere que estas ecuaciones estén totalmente discretizadas en tiempo y / o espacio y se agreguen al modelo de optimización. El enfoque simultáneo, por lo tanto, conduce a NLP mucho más grandes que con el enfoque anidado, pero en general conduce a un rendimiento mucho más rápido. Exploramos esta aparente paradoja en la siguiente sección.

Aplicaciones de optimización avanzada Esta sección proporciona una discusión comparativa de estrategias anidadas y simultáneas para la optimización de sistemas dinámicos. El enfoque simultáneo con los modelos de caja de vidrio en la Figura 2 conduce a NLP más grandes porque todo el modelo de proceso se incluye con el problema de optimización. Estos modelos de optimización ya no están anidados, evitan las soluciones repetidas y explotan los escasos algoritmos que se escalan casi linealmente con el tamaño del problema. Esto conduce a una complejidad de cómputo mucho menor para los algoritmos de optimización dinámica, como discutiremos a continuación para los enfoques anidados y simultáneos.

Commented [LA8]: ECUACIONES DIFERENCIALES PARCIALES

Complejidad de las estrategias de optimización dinámica Para la optimización dinámica, comparamos dos enfoques anidados, secuenciales y disparos múltiples, que incorporan solucionadores DAE dentro de la estrategia de optimización e integran los DAE en el dominio de tiempo completo (secuencial) o en particiones independientes del dominio de tiempo (disparos múltiples). El enfoque simultáneo aplica una discretización de co-ubicación sobre elementos finitos, y conduce a un sistema completamente algebraico que se incorpora directamente en el modelo de optimización. Este enfoque simultáneo depende de estrategias eficientes de PNL que requieren pocas iteraciones, aprovechamiento lineal escaso álgebra y baja complejidad en el manejo de las restricciones de desigualdad. Estas ventajas pueden realizarse mediante una formulación de PNL de espacio completo con primer y segundo derivados exactos y un método de barrera para manejar las restricciones de desigualdad [9]. Con la ayuda de los solucionadores de barreras basados en Newton, observamos que, si bien los enfoques de colocación simultánea conducen a formulaciones de PNL más grandes, el esfuerzo para resolverlas sigue siendo bastante razonable. La Tabla 2 de [9] enumera la complejidad (de orden de magnitud) de los principales pasos algorítmicos para la optimización dinámica utilizando estrategias anidadas (secuenciales y disparos múltiples) y simultáneas (colocación). Si bien una comparación detallada de estos métodos a menudo depende del problema, la tabla permite una descripción conceptual del esfuerzo computacional para cada método, así como características distintivas en cada algoritmo. La Tabla 2 considera cada paso en enfoques anidados y simultáneos y presenta su complejidad computacional en términos del número de pasos de discretización N, el número de variables de estado y el número de variables de control nu. Las derivaciones detalladas de todos los costos computacionales se presentan en [9]. Estos muestran que los enfoques anidados requieren integradores DAE, la sensibilidad y la factorización de la matriz con escalas de segundo a tercer orden en N y nu. Por otro lado, la complejidad para el enfoque simultáneo se determina a partir de la solución de ecuaciones no lineales (KKT) mediante un método escaso de Newton. Como resultado, la Tabla 2 muestra que a medida que aumenta el número de entradas nuN, se observa una escala casi lineal con el enfoque simultáneo, mientras que las aproximaciones anidadas tienen una complejidad cuadrática y una complejidad cúbica. En consecuencia, las formulaciones simultáneas más grandes pueden resolver a un costo mucho más bajo a medida que aumentan los tamaños del problema.

Commented [LA9]: ECUACIONES ALGEBRAICAS DIFERENCIALES

Commented [LA10]: Al integrar los dos métodos anteriormente descritos, se potencia la capacidad de software para encontrar la solución óptima realizando un numero menor del iteraciones

Casos de Estudios de optimización dinámica

Las ventajas del enfoque simultáneo en la Figura 1 se ilustran con mayor detalle en dos estudios de casos industriales a gran escala. El primer caso se refiere a la optimización de un reactor fuera de control con modelos inestables, mientras que el segundo es un problema de control predictivo modelo no lineal, un cálculo de tiempo crítico, con miles de estados y cientos de grados de libertad. En ambos casos, el enfoque anidado no se puede aplicar, ya sea porque los perfiles no acotados terminan el cálculo o el enfoque es demasiado lento para proporcionar una estrategia de optimización efectiva. Como resultado, el enfoque simultáneo conduce a soluciones que no podrían lograrse con estrategias de búsqueda anidadas.

Diseño óptimo de reactores de lecho graduado para evitar fugas La optimización de reactores catalíticos de lecho compacto con reacciones fuera de control representa un desafío importante para la optimización dinámica. Con el fin de aumentar la productividad y evitar que los perfiles de temperatura se vuelvan ilimitados, las técnicas de lecho graduado (o zonificado) introducen distribuciones de catalizador activas no uniformes a lo largo del lecho del reactor, con catalizadores diluidos con inertes en diferentes composiciones. La estrategia de dilución del catalizador también puede mejorar la controlabilidad dinámica del reactor bajo capacidades de enfriamiento restringidas. En [13] se desarrolló un enfoque de diseño sistemático para la optimización del lecho graduado con distribuciones de actividad catalítica no uniforme. Este estudio considera la oxidación en fase de vapor de o-xileno a anhídrido ftálico con catalizador de pentóxido de vanadio. Típicamente, el o-xileno se mezcla con el exceso de aire antes de entrar al reactor. La reacción de oxidación parcial se modeló como pseudo primer orden y proporcional a un perfil de actividad del catalizador s (t) 2 [0, 1] que varía a lo largo de la longitud del lecho t. El modelo del reactor es formulado en ambas direcciones, radial y axial, y se aplicó un modelo alfa novedoso en [13] para transformar los balances de masa y energía a DAE en la coordenada axial. El problema de la optimización es maximizar la productividad del anhídrido ftálico a la salida del reactor con las especificaciones del producto como restricciones de punto final. Además de s (t), las variables de decisión incluyen la temperatura de entrada, la temperatura de la pared y las tasas de flujo de entrada. El problema de optimización del reactor se formuló primero con un enfoque anidado que trata el modelo de simulación como una caja negra, donde las trayectorias de estado (y sus sensibilidades requeridas en la búsqueda de optimización) son provistas por solucionadores DAE numéricos externos. Como se ve en la Figura 3, este método se basa en gran medida en la solución repetida de DAE. Sin embargo, cuando el optimizador selecciona decisiones donde los perfiles de temperatura se vuelven ilimitados, por ejemplo, cuando la temperatura de entrada aumenta en solo 7 K, el solucionador DAE falla y la estrategia de optimización finaliza. Para este ejemplo, el enfoque anidado no puede ofrecer incluso una solución factible para el problema de optimización del lecho graduado. Por el contrario, el enfoque de colocación simultánea incorpora los DAE como restricciones directamente dentro del NLP. Debido a que los perfiles de temperatura y composición están limitados en el problema de optimización, el enfoque simultáneo maneja los sistemas DAE inestables como problemas de valores límites, y asegura la convergencia al problema de distribución óptima del catalizador con reacciones desbocadas.

Commented [LA11]: ECUACIONES ALGEBRAICAS DIFERENCIALES

El modelo de optimización, discretizado con 3 puntos de colocación sobre 60 elementos finitos, se resolvió con un número creciente de zonas, con el fin de evaluar el impacto de una distribución de catalizador más fina en la producción del producto. La formulación de optimización con más de 7800 variables y restricciones resuelve la optimalidad local para todos los casos, y los resultados se muestran en la Figura 4. Se logra una mayor productividad aumentando el número de zonas y aumentando tanto el flujo másico como la temperatura de enfriamiento. Para una zona de la tasa de producto de anhídrido ftálico óptima es 79,33 kg / (hora m3) y con 4, 5, y 10 zonas de esta tasa aumenta a 106,50, 106,60 y 106,63, respectivamente, con rendimientos decrecientes para aumentar el número de zona. Se pueden encontrar más detalles sobre el modelo de optimización, el rendimiento del solucionador y casos adicionales en [13].

Rampa óptima con unidades de separación de aire y NMPC Las unidades criogénicas de separación de aire (ASU) constituyen una parte integral de muchos procesos industriales y plantas de energía de próxima generación. Estas unidades se caracterizan por condiciones de operación fluctuantes para responder a las demandas cambiantes del producto; los controladores predictivos de modelo lineal (MPC) [14] se suelen aplicar para esta tarea. Por otro lado, la dinámica de estas transiciones es altamente no lineal y requiere mucha energía. En consecuencia, el control predictivo del modelo no lineal (NMPC) basado en modelos dinámicos rigurosos es esencial para el alto rendimiento de estas aplicaciones. Por otro lado, la respuesta del controlador es de tiempo crítico, por lo que se debe evitar el retraso computacional de resolver el problema de optimización dinámica de NMPC. Este estudio de caso evalúa el rendimiento de un controlador AS-NMPC basado en la sensibilidad (paso avanzado) con las cambiantes demandas de producción de ASU. Para evitar el retraso computacional, ASNMPC resuelve el problema de optimización de antemano, entre los tiempos de muestreo, con un estado predicho. Una vez que se resuelve el problema previsto y se obtiene el estado real, se inyecta inmediatamente en la planta una actualización rápida basada en la sensibilidad de la variable manipulada [15].

Commented [LA12]: Control predictivo del modelo no lineal

Commented [LA13]: Control predictivo del modelo no lineal Commented [LA14]: unidades criogénicas de separación de aire

Para el proceso de ASU que se muestra en la Figura 6, elegimos la velocidad de flujo molar de oxígeno puro (POX-Y1) y la tasa de flujo molar de nitrógeno puro (PNI-Y2) como variables de salida. El objetivo es obligar a estas salidas a seguir sus puntos de ajuste mientras satisfacen los requisitos de pureza. Además, las temperaturas en la 30ª bandeja en la columna de baja presión (Tl30-Y3), y la temperatura en la 15ª bandeja en la columna de alta presión (Th15-Y4) se eligen como salidas medidas. Cuatro velocidades de flujo de corriente se consideran variables manipuladas; alimentación de aire expandido (EA-U1), alimentación de aire principal (MA-U2), nitrógeno líquido de reflujo (LN-U3) y nitrógeno gaseoso diluido (GN-U4). Todos los puntos de referencia y los valores de referencia para las variables manipuladas se determinaron a través de simulaciones de estado estacionario. Para la optimización dinámica no lineal, las consignas de velocidad de producción de oxígeno y nitrógeno (y los valores de referencia asociados para las variables manipuladas) se reducen en un 30% mediante un cambio de rampa de t = 30 a t = 60 min. Después de esto, experimentan un aumento de rampa de t = 1000 a t = 1030 a sus valores originales. El horizonte de control se elige para que sea igual al horizonte de predicción con una longitud total de 100 min distribuidos en 20 elementos finitos; el tiempo de muestreo se establece en 5 min. Después de una discretización completa del problema de optimización dinámica, el PNL resultante contiene 117 140 variables y 116 900 restricciones [16]. Como se presenta en la Figura 5, se resolvieron 400 problemas de optimización del horizonte móvil, donde cada NLP requiere de 120 a 220 segundos de CPU para la solución. Debido a que estos problemas de optimización dinámica se pueden resolver en segundo plano, las actualizaciones de sensibilidad en línea se pueden emplear para las correcciones de retroalimentación del controlador en menos de 1 CPU. Los perfiles de ciclo cerrado para este estudio se muestran en la Figura 6. Tenga en cuenta que el controlador NMPC puede rastrear bien las rampas de velocidad de producción mientras mantiene las temperaturas de la bandeja cerca de sus puntos de ajuste (compare las líneas punteadas y discontinuas). Para ilustrar los beneficios del controlador NMPC y su modelo dinámico no lineal, también consideramos el mismo controlador, pero con un modelo dinámico lineal, identificado como un modelo ARX a partir de datos de entrada / salidas no lineales.

En la Figura 6 observamos que el controlador AS-NMPC mantiene las variables controladas cerca de sus puntos de ajuste, mientras que el controlador lineal muestra grandes desviaciones y no puede llevar la temperatura Tl30 a su punto de ajuste después de la segunda rampa en t = 1000 min. Además, las variables manipuladas del controlador lineal oscilan durante la recuperación de la rampa. Además, en otro estudio de caso con una estrategia de rampa de 40% más agresiva, el controlador lineal se vuelve inestable y falla. En cambio, los controladores no lineales pueden seguir estas rampas con un rendimiento exitoso, incluso en presencia de ruido de medición. Se pueden encontrar resultados más detallados sobre esta optimización dinámica en [16].

Plataformas de software de modelado de optimización

La mayoría del software de simulación de procesos fue diseñada hace décadas, antes del desarrollo de algoritmos de optimización modernos. En consecuencia, aplican enfoques anidados para la optimización y aprovechan de forma limitada los avances de los solucionadores basados en Newton y sus interacciones con los modelos de optimización. Además, los modelos de simulación legacy no lisos, con derivadas inexactas o aproximadas, conducen a un rendimiento deficiente incluso con los solucionadores de NLP más recientes. Esto a menudo conduce a un frustrante ejercicio de optimización dentro del proceso de trabajo. Por el contrario, las PNL a gran escala a menudo se construyen y resuelven en plataformas de modelado de optimización ampliamente utilizadas, como GAMS [17], AMPL [18] y AIMMS [19]. Estas herramientas proporcionan interfaces integradas a algoritmos de gran escala y diferenciación automática, así como un enfoque en el desarrollo del usuario de modelos de optimización bien planteados. Por otro lado, una limitación de estas herramientas comerciales es que son relativamente cerradas, desalientan la integración con modelos externos y definen su propia sintaxis patentada para representar problemas de optimización. En consecuencia, tienen una aplicación limitada a los modelos detallados de simulación de procesos.

Para superar la brecha entre estas plataformas, ha habido una expansión reciente para incluir modelos de ingeniería más detallados en plataformas basadas en Python como Pyomo (www.pyomo.org [20]). Esta plataforma de modelado de optimización de fuente abierta recientemente ha sufrido una importante

reestructuración y extensión para incluir solucionadores de LP, MIP, NLP y MINLP, junto con la diferenciación automática. Además, Pyomo permite la construcción de meta-algoritmos para marcos de optimización junto con la incorporación de modelos de ingeniería complejos. Esto tiene especial relevancia para la investigación actual y los avances en el proyecto IDAES (www.idaes.org), un programa patrocinado por el Departamento de Energía de EE. UU. Para desarrollar un marco de optimización de código abierto para aplicaciones de ingeniería de procesos que se concibe como la próxima generación de herramientas de ingeniería de procesos. Este marco incluye capacidades para síntesis de procesos y diseño conceptual, diseño de procesos, optimización e intensificación de procesos, control de procesos y optimización dinámica, y la integración de modelos multi escala. De esta forma, en el futuro cercano se verán potentes modelos de enfoques de optimización accesibles para los ingenieros de procesos en ejercicio. Conclusiones y perspectivas futuras

La optimización no lineal es esencial para las tareas de toma de decisiones en modelado y análisis, diseño de procesos y operaciones. Estas tareas se pueden mejorar significativamente a través de importantes avances en algoritmos de PNL, plataformas de modelado de optimización y software y hardware a gran escala. Al igual que con el desarrollo de modelos de procesos detallados, los ingenieros deben asumir la propiedad de la optimización no lineal mediante el dominio de las capacidades de los algoritmos de gran escala, reexaminando los marcos de optimización con modelos de ingeniería personalizados e incorporando estos avances dentro del proceso de trabajo. Como lo demuestran los recientes éxitos de investigación, estos conducen a grandes oportunidades en las industrias de procesos. El trabajo futuro en la optimización no lineal conducirá a estrategias de solución aún más rápidas con la exploración de la descomposición paralela que explota la estructura del problema en múltiples niveles, incluido el álgebra lineal [21]. A través del desarrollo de meta-algoritmos potentes, las plataformas de optimización podrán abordar modelos de sistemas de procesos aún más grandes a múltiples escalas de tiempo y longitud [22]. Finalmente, las aplicaciones de optimización en línea con sistemas dinámicos conducirán a solucionadores mucho más eficientes y robustos que promueven la estabilidad y la tolerancia a las perturbaciones del proceso y al desajuste del modelo [23]. Todos estos avances se están desarrollando e incorporando dentro de nuevos marcos de modelado de optimización, como Pyomo, y darán lugar a nuevos enfoques para las tareas de optimización en la ingeniería de sistemas de procesos. Conflicto de intereses El autor declara que no hay conflicto de interés. Referencias y lecturas recomendadas Papeles de interés particular, publicados durante el período de revisión, se han resaltado como:

de especial interés 3. Nocedal J, Wright S: Optimización Numérica. edn 2. Nueva York, NY, EE. UU.: Springer; 2006. Libro de texto clave para teoría y algoritmos de optimización no lineal. 9.Biegler LT: Programación no lineal: conceptos, algoritmos y Aplicaciones a procesos químicos. Philadelphia, P.A.: SIAM; 2010. Referencia clave para conceptos y métodos para procesos simultáneos mejoramiento. 10. Gill PE, Murray W, Wright MH: optimización práctica. Nueva York, NY: Academic Press; 1981. Referencia clave para conceptos y métodos sobre programación no lineal desarrollo de software. 13.Nie Y, Witt P, Agarwal A, Biegler LT: catalizador activo óptimo y distribución inerte en reactores catalíticos de lecho fijo: orto-xileno oxidación. I & EC Res 2013, 52: 15311-15320. Referencia para el estudio de optimización del reactor de lecho graduado. 16.Huang R, Zavala V, Biegler L: Modelo no lineal avanzado control predictivo para unidades de separación de aire. J Control de procesos 2009, 19: 678-685. Referencia para el estudio ASU para el control predictivo del modelo no lineal.