Angelicamariaalzateibanez 2010

Modelado y control de una columna de destilaci on binaria
Ang elica Mara Alzate Iba nez

Universidad Nacional de Colombia - Sede Manizales
Facultad de Ingeniera y Arquitectura
Departamento de El ectrica, Electr onica y Computaci on
Manizales, Colombia
2010
Modelado y control de una columna de destilaci on binaria
Ingeniera Qumica
Tesis presentada en cumplimiento a los requerimientos
para optar por el ttulo de
Magster en Automatizaci on Industrial
Directora
PhD. Fabiola Angulo Garca
Universidad Nacional de Colombia - Sede Manizales
Facultad de Ingeniera y Arquitectura
Departamento de El ectrica, Electr onica y Computaci on
Manizales, Colombia
2010
Dedicatoria
A Dios
A la Virgen
A mi familia
Prefacio
Esta tesis se presenta en cumplimiento parcial de los requisitos para optar el ttulo de M.Sc. en
Ingeniera - Automatizaci on Industrial de la Universidad Nacional de Colombia Sede Maniza-
les. Este trabajo ha sido realizado durante el periodo de tiempo comprendido entre septiembre
de 2008-mayo 2010, bajo la supervisi on de la PhD. Fabiola Angulo. El proyecto ha sido nan-
ciado por el programa J ovenes investigadores e innovadores 2008, del Instituto Colombiano
para el Desarrollo de la Ciencia y la Tecnologia Francisco Jos e de Caldas Colciencias y se
titula: Modelado y control de una columna de destilaci on binaria.
Mayo, 2010
Agradecimientos
Quiero manifestar mis m as sinceros agradecimientos a las personas que han contribuido posi-
tivamente en la realizaci on de este trabajo.
A mi familia por ser la fuente de inspiraci on de mi vida, por su dedicaci on y esfuerzo, por
la comprensi on en estos a nos de ausencia y por el gran amor que me brindan.
A la profesora Fabiola Angulo Garca por su colaboraci on y apoyo en la direcci on de est a tesis.
Al profesor Carlos Ocampo por su valioso tiempo y sus excelentes aportes.
A mis profesores de Ingeniera Qumica y de la Maestra en Ingeniera - Automatizaci on In-
dustrial, por brindarme una excelente formaci on.
A los integrantes del grupo de trabajo acad emico PCI por su colaboraci on y compa na.
A mis amigos por su apoyo, por el animo constante, por los valiosos aportes y la gran ayu-
da que me brindaron.
A la Universidad Nacional de Colombia Sede Manizales por brindarme la posibilidad de reali-
zar mis estudios y por disponer los espacios adecuados para el desarrollo de este trabajo.
Mayo, 2010
Indice general
Indice general I
Indice de guras V
Indice de tablas XII

Resumen XIII
Abstract XIII
Nomenclatura XIII
1. Introducci on 1
1.1. Contribuci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Organizaci on de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Dise no y simulaci on de una columna de destilaci on en estado estacionario 7
2.1. Equilibrio de fases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Equilibrio lquido - vapor formulaci on . . . . . . . . . . . . . . . . . . 12
2.3. Modelo termodin amico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1. Ecuaci on de estado - Peng Robinson . . . . . . . . . . . . . . . . . . . 13
2.3.2. Regla de mezclado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4. Calculo de etapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.1. Especicaciones de la separaci on . . . . . . . . . . . . . . . . . . . . 15
2.5. Balance de materia y energa en cada etapa de contacto . . . . . . . . . . . . . 18
2.6. Balance hidr aulico de cada etapa de contacto . . . . . . . . . . . . . . . . . . 20
I
2.6.1. Di ametro de la torre . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.2. Profundidad del lquido . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.3. Vertederos y derramaderos . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6.4. Cada de presi on para el gas . . . . . . . . . . . . . . . . . . . . . . . 25
2.6.5. Cada de presi on en seco . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6.6. Cabeza hidr aulica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.7. Cada de presi on del gas residual . . . . . . . . . . . . . . . . . . . . . 26
2.6.8. P erdida de presi on en la entrada del lquido . . . . . . . . . . . . . . . 26
2.6.9. Retroceso en el vertedero . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.10. Lloriqueo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7. Simulaci on columna de destilaci on binaria en estado estacionario . . . . . . . . 27
2.7.1. Especicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.2. Perles de temperatura y ujos de la columna de destilaci on en estado
estacionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.8. Especicaciones hidr aulicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.9. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3. Modelado y simulaci on din amica de una columna de destilaci on 35
3.1. Suposiciones y consideraciones . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2. Balances de materia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.1. Balances zona de recticaci on y de agotamiento . . . . . . . . . . . . 37
3.2.2. Balance etapa de alimentaci on . . . . . . . . . . . . . . . . . . . . . . 38
3.2.3. Balance condensador . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.4. Balance rehervidor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3. Balance hidr aulico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4. Balances de energa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5. Relaci on de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6. Modelo din amico de la columna de destilaci on binaria . . . . . . . . . . . . . 42
3.6.1. Modelo I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.6.2. Modelo II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6.3. Modelo III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.7. An alisis comparativo de los modelos . . . . . . . . . . . . . . . . . . . . . . . 45
3.7.1. Comportamiento din amico de los modelos . . . . . . . . . . . . . . . 46
3.7.2. Comportamiento din amico de los modelos en presencia de perturbaciones 50
3.8. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4. An alisis din amico del modelo de una columna de destilaci on 58
4.1. Teorema de Estabilidad de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.1. M etodo indirecto de Lyapunov . . . . . . . . . . . . . . . . . . . . . . 59
4.2. C alculo de los puntos de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3. Linealizaci on alrededor de un punto de equilibrio . . . . . . . . . . . . . . . . 63
4.4. Caracterizaci on punto de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5. An alisis din amico del modelo no lineal de la columna de destilaci on en lazo
abierto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.6. An alisis comparativo del comportamiento din amico del modelo lineal y no lin-
eal de la columna de destilaci on en lazo abierto . . . . . . . . . . . . . . . . . 73
4.7. An alisis de bifurcaciones del modelo no lineal de la columna de destilaci on . . 77
4.7.1. Variaci on par ametro ujo molar del lquido . . . . . . . . . . . . . . . 77
4.7.2. Variaci on par ametro ujo molar de vapor . . . . . . . . . . . . . . . . 79
4.7.3. Variaci on par ametro ujo molar de alimentaci on . . . . . . . . . . . . 80
4.7.4. Variaci on par ametro composici on molar de alimentaci on . . . . . . . . 83
4.8. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5. Control predictivo basado en el modelo de una columna de destilaci on 86
5.1. Introducci on al control predictivo . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.1.1. Ventajas control predictivo . . . . . . . . . . . . . . . . . . . . . . . . 88
5.2. Control predictivo basado en el modelo no lineal (NMPC) . . . . . . . . . . . 89
5.3. Terminologa b asica del control predictivo . . . . . . . . . . . . . . . . . . . . 90
5.4. Algoritmo general del control predictivo basado en el modelo (MPC) . . . . . . 92
5.5. Planteamiento del problema de control predictivo basado en el modelo no lineal
de una columna de destilaci on . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.5.1. Modelo de predicci on . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.5.2. Funci on objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.5.3. Restricciones de las variables de control . . . . . . . . . . . . . . . . . 98
5.6. Optimizaci on par ametros de penalizaci on del error y del esfuerzo de control de
control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.6.1. M etodo gr aco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.6.2. M etodo de b usqueda aleatoria modicado basado en el algoritmo de
Sols . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.7. Efecto del error en la funci on de costo . . . . . . . . . . . . . . . . . . . . . . 130
5.8. Selecci on de los par ametros de penalizaci on,
1
y
2
. . . . . . . . . . . . . . 131
3
y
4
. . . . . . . . . . . . . . 135
5.10. Desempe no del control predictivo basado en el modelo lineal y en el modelo
no lineal de la columna de destilaci on binaria . . . . . . . . . . . . . . . . . . 143
5.11. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
6. Estabilidad del control predictivo 149
6.1. Estabilidad y control predictivo . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.1.1. Condiciones sucientes de estabilidad . . . . . . . . . . . . . . . . . . 153
6.1.2.

Indice de desempe no cuadr atico . . . . . . . . . . . . . . . . . . . . . 154
6.2. Estabilidad del control predictivo aplicado al modelo de la columna de destilaci on155
6.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
7. Trabajo Futuro 159
7.1. An alisis din amico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
7.2. Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
7.3. Implementaci on y validaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Bibliografa 161
Indice de guras
2.1. Modelo b asico columna de destilaci on . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Secci on esquem atica a trav es de una torre de platos perforados . . . . . . . . . 9
2.3. Diagrama T-xy para el sistema binario etanol-agua . . . . . . . . . . . . . . . 16
2.4. Diagrama T-xy para el sistema binario etanol-agua (Aze otropo) . . . . . . . . . 16
2.5. Diagrama McCabeThiele para el sistema binario etanol-agua . . . . . . . . . 17
2.6. Diagrama del balance de materia en la etapa de contacto n . . . . . . . . . . . 18
2.7. Diagrama del balance de energa en la etapa de contacto n . . . . . . . . . . . 18
2.8. Diagrama etapas en cascada columna de destilaci on . . . . . . . . . . . . . . . 20
2.9. Caractersticas de operaci on de los platos perforados (Fair and Green, 1997) . . 21
2.10. Designaciones de area para el cruce de ujos (Fair and Green, 1997) . . . . . . 23
2.11. Diagrama esquem atico de un plato perforado de ujo transversal . . . . . . . . 24
2.12. Diagrama esquem atico de la columna de destilaci on binaria por etapas . . . . . 28
2.13. Perl de ujos de la columna de destilaci on simulaci on en estado estacionario . 32
2.14. Perl de temperatura de la columna de destilaci on simulaci on en estado esta-
cionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1. Diagrama balance din amico de materia etapa de contacto n . . . . . . . . . . . 37
3.2. Diagrama balance din amico de materia etapa de alimentaci on n . . . . . . . . 38
3.3. Comportamiento din amico de la composici on molar de etanol - Modelo I . . . 47
3.4. Comportamiento din amico de masa retenida en cada uno de los platos - Modelo I 47
3.5. Comportamiento din amico de la composici on molar de etanol - Modelo II . . . 49
3.6. Comportamiento din amico composici on molar de etanol - Modelo III . . . . . 49
3.7. Perl de composici on y temperatura del estado estacionario alcanzado en la
simulaci on din amica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
V
3.8. Perl de ujos del estado estacionario alcanzado en la simulaci on din amica . . 51
3.9. Perl de composici on, ujo de lquido (L) y ujo de vapor (V ) con un escal on
de +20 % F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
de 20 % F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
de +20 % z
F
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
de 20 % z
F
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
de +20 % en L
D
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
de 20 % en L
D
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
de +20 % en V
R
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
de 20 % en V
R
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1. Perl de concentraci on de la columna de destilaci on al aumentar el ujo de
alimentaci on en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . . . . . 67
4.2. Perl de concentraci on de la columna de destilaci on al disminuir el ujo de
alimentaci on en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . . . . . 67
4.3. Perl de concentraci on de la columna de destilaci on al aumentar la composi-
ci on de alimentaci on en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . 68
4.4. Perl de concentraci on de la columna de destilaci on al disminuir la composi-
ci on de alimentaci on en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . 68
recirculaci on en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . . . . . 69
recirculaci on en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . . . . . 69
vapor del rehervidor en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . 70
vapor del rehervidor en un 20 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . 70
4.9. Variaci on de la concentraci on de destilado y fondos aumentando y disminuyen-
do F en un 30 %,20 % y 10 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . . 71
do z
F
en un 30 %,20 % y 10 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . 71
do L
D
en un 30 %,20 % y 10 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . 72
do V
R
en un 30 %,20 % y 10 % a t = 0,5hr . . . . . . . . . . . . . . . . . . . 72
4.13. Respuesta din amica de x
D
y x
B
al realizar un cambio de 10 %en el par ametro
ujo molar de lquido (L
D
), () Modelo lineal; () Modelo no lineal . . . . 74
D
y x
B
ujo molar de vapor (V
R
), () Modelo lineal; () Modelo no lineal . . . . . 75
D
y x
B
ujo molar de alimentaci on (F), () Modelo lineal; () Modelo no lineal . . 75
D
y x
B
composici on molar de alimentaci on (z
F
), () Modelo lineal; () Modelo no
lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.17. Diagrama de bifurcaci on variando el par ametro ujo molar de lquido (L
D
) . . 78
4.18. Diagrama de bifurcaci on x
D
y x
B
variando el par ametro ujo molar de lquido
(L
D
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
D
y x
B
(L
D
) obtenido con MATCONT . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.20. Diagrama de bifurcaci on variando el par ametro ujo molar de vapor (V
R
) . . . 79
D
y x
B
variando el par ametro ujo molar de vapor
(V
R
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
D
y x
B
(V
R
) obtenido con MATCONT . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.23. Diagrama de bifurcaci on variando el par ametro ujo molar de alimentaci on (F) 81
D
y x
B
variando el par ametro ujo molar de ali-
mentaci on (F) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
D
y x
B
mentaci on (F) obtenido con MATCONT . . . . . . . . . . . . . . . . . . . . . 82
4.26. Diagrama de bifurcaci on variando el par ametro composici on molar de ali-
mentaci on (z
F
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
D
y x
B
variando el par ametro composici on molar
de alimentaci on (z
F
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
D
y x
B
variando el par ametro composici on molar
de alimentaci on (z
F
) obtenido con MATCONT . . . . . . . . . . . . . . . . . 84
5.1. Modelo B asico Control Predictivo Basado en el Modelo . . . . . . . . . . . . . 93
5.2. Diagrama de la columna de destilaci on binaria para el algoritmo de control . . 95
5.3. Diagrama de las variables para el algoritmo de control de la columna de desti-
laci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.4. Supercie del absoluto del error nal con respecto a x
D
al realizar variaciones
en los par ametros de penalizaci on del error,
1
y
2
. . . . . . . . . . . . . . . 103
5.5. Supercie del absoluto del error nal con respecto x
B
al realizar variaciones
en los par ametros de penalizaci on del error,
1
y
2
. . . . . . . . . . . . . . . 104
5.6. Supercie de la integral del cuadrado del error (ICE), variando los par ametros
de penalizaci on del error
1
y
2
. . . . . . . . . . . . . . . . . . . . . . . . . 106
5.7. Supercie de la integral del cuadrado del esfuerzo de control (ICU), variando
los par ametros de penalizaci on del error
1
y
2
. . . . . . . . . . . . . . . . . 107
D
con variaciones en los
par ametros de penalizaci on del esfuerzo de control,
1
y
2
. . . . . . . . . . . 109
5.9. Supercie de error nal con respecto a x
B
con variaciones en los par ametros
de penalizaci on del esfuerzo de control,
1
y
2
. . . . . . . . . . . . . . . . . 110
5.10. Supercie de la integral del cuadrado del error (ICE), variando los par ametros
de penalizaci on del esfuerzo de control,
1
y
2
. . . . . . . . . . . . . . . . . 111
5.11. Supercie de la integral del cuadrado del esfuerzo de control (ICU), variando
los par ametros de penalizaci on del esfuerzo de control,
1
y
2
. . . . . . . . . 112
D
para la relaci on de
par ametros de penalizaci on del error y del esfuerzo de control,
1
/
2
y
1
/
2
. 113
5.13. Supercie de error nal con respecto a x
B
para la relaci on de par ametros de
penalizaci on del error y del esfuerzo de control,
1
/
2
y
1
/
2
. . . . . . . . . 114
5.14. Supercie de la integral del cuadrado del esfuerzo de control (ICU), para la
relaci on de par ametros de penalizaci on del error y del esfuerzo de control,
1
/
2
y
1
/
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.15. Comportamiento en lazo cerrado del sistema de la columna de destilaci on bi-
naria utilizando los par ametros del ensayo 1 (Tabla. 5.6) . . . . . . . . . . . . 117
5.18. Comportamiento del sistema en lazo cerrado variando F escalones de 20 %
y 10 % utilizando los par ametros del ensayo 3 (Tabla. 5.6) . . . . . . . . . . 120
5.19. Comportamiento del sistema en lazo cerrado variando de z
F
escalones de 20 %
y 10 % utilizando los par ametros del ensayo 3 (Tabla. 5.6) . . . . . . . . . . 121
5.20. Comportamiento del porcentaje de error nal alcanzado por el sistema en la-
zo cerrado variando F y z
F
con respecto a x
D
utilizando los par ametros del
ensayo 3 (Tabla. 5.6) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.21. Comportamiento del porcentaje de error nal alcanzado por el sistema en la-
zo cerrado variando F y z
F
con respecto a x
B
utilizando los par ametros del
ensayo 3 (Tabla. 5.6) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.22. Comportamiento de la funci on objetivo con respecto al par ametro
1
y
2
. . . 127
5.23. Comportamiento en Lazo Cerrado Variaciones en la Referencia empleando los
par ametros obtenidos por b usqueda aleatoria . . . . . . . . . . . . . . . . . . . 128
5.24. Comportamiento del sistema en lazo cerrado al realizar variaciones tipo es-
cal on en F con magnitudes de 20 % y 10 % con respecto al valor normal,
empleando los par ametros obtenidos por b usqueda aleatoria . . . . . . . . . . . 129
5.25. Comportamiento del sistema en lazo cerrado al realizar variaciones tipo es-
cal on en z
F
con magnitudes de 20 % y 10 % con respecto al valor normal,
empleando los par ametros obtenidos por b usqueda aleatoria . . . . . . . . . . . 130
D
para los par ametros de
penalizaci on del error c ubico
1
y
2
. . . . . . . . . . . . . . . . . . . . . . 131
B
1
y
2
. . . . . . . . . . . . . . . . . . . . . . 132
5.28. Supercie de la integral del cuadrado del error para los par ametros de penal-
izaci on del error c ubico
1
y
2
. . . . . . . . . . . . . . . . . . . . . . . . . 132
5.29. Supercie de la integral del cuadrado del esfuerzo de control para los par amet-
ros de penalizaci on del error c ubico
1
y
2
. . . . . . . . . . . . . . . . . . . 133
5.30. Comportamiento en lazo cerrado variaciones en la referencia incluyendo el
par ametro de penalizaci on del error c ubico en la funci on de costo . . . . . . . . 134
D
utilizando los par amet-
ros de penalizaci on del esfuerzo de control c ubico
3
y
4
. . . . . . . . . . . 136
B
penalizaci on del esfuerzo de control c ubico
3
y
4
. . . . . . . . . . . . . . . 137
5.33. Supercie de la integral del cuadrado del error para los par ametros de penal-
izaci on del esfuerzo de control c ubico
3
y
4
. . . . . . . . . . . . . . . . . . 137
5.34. Supercie de la integral del cuadrado del esfuerzo de control para los par amet-
ros de penalizaci on del esfuerzo de control c ubico
3
y
4
. . . . . . . . . . . 138
5.35. Comportamiento en lazo cerrado variaciones en la referencia incluyendo el
error y el esfuerzo c ubico en la funci on de costo . . . . . . . . . . . . . . . . . 139
5.36. Comportamiento del sistema en lazo cerrado al realizar variaciones tipo escal on
en F de 20 % y 10 % incluyendo el error y el esfuerzo c ubico en la funci on
de costo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.37. Comportamiento del sistema en lazo cerrado realizar variaciones tipo escal on
en z
F
de 20 % y 10 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.38. Comportamiento del porcentaje de error nal alcanzado por el sistema en lazo
cerrado variando F y z
F
con respecto a x
D
. . . . . . . . . . . . . . . . . . . 142
5.39. Comportamiento del porcentaje de error nal alcanzado por el sistema en lazo
F
con respecto a x
B
. . . . . . . . . . . . . . . . . . . 142
5.40. Comportamiento din amico del sistema en lazo cerrado empleando el modelo
no lineal (NMPC) y el modelo lineal (MPC) al realizar variaciones en la referencia143
5.41. Comportamiento din amico del sistema con el NMPC y el MPC al realizar
variaciones de 20 % y 10 % en F con referencia cercana al punto de equilibrio144
variaciones de 20 % y 10 % en F con referencia lejana al punto de equi-
librio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
variaciones de 20 % y 10 % en z
F
con referencia cercana al punto de equi-
librio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
variaciones de 20 % y 10 % en z
F
con referencia lejana al punto de equilibrio147
Indice de tablas
2.1. Especicaciones columna de destilaci on . . . . . . . . . . . . . . . . . . . . . 29
2.2. Resultados simulaci on columna de destilaci on binaria sistema etanol-agua en
estado estacionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Resultados de cada etapa simulaci on columna de destilaci on binaria sistema
etanol-agua en estado estacionario . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4. Especicaciones hidr aulicas de la columna de destilaci on para el sistema etanol-
agua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.1. Condiciones iniciales para la simulaci on din amica del modelo de la columna
de destilaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2. Visi on general de la complejidad de los modelos . . . . . . . . . . . . . . . . . 45
3.3. Estado estacionario alcanzado en la simulaci on din amica de la columna de
destilaci on empleando el Modelo I . . . . . . . . . . . . . . . . . . . . . . . . 46
destilaci on empleando el Modelo II . . . . . . . . . . . . . . . . . . . . . . . 48
destilaci on empleando el Modelo III . . . . . . . . . . . . . . . . . . . . . . . 50
4.1. Punto de equilibrio alcanzado en la simulaci on del modelo de la columna de
destilaci on en lazo abierto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2. Valores propios de la matriz jacobiana calculada en el punto de equilibrio al-
canzado en lazo abierto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.1. Porcentaje de error nal con respecto a la composici on molar de destilado (x
D
)
variando
1
y 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
XII
5.2. Absoluto del porcentaje de error nal con respecto a x
B
variando los par amet-
ros de penalizaci on del error
1
y
2
. . . . . . . . . . . . . . . . . . . . . . . 105
5.3. Absoluto del porcentaje de error nal con respecto a la composici on molar de
fondos (x
D
) variando los par ametros de penalizaci on del esfuerzo de control,
1
y
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.4. Absoluto del porcentaje de error nal con respecto a la composici on molar de
fondos (x
B
1
y
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.5. Valores mnimos y m aximos permitidos para la selecci on de los par ametros de
penalizaci on por el m etodo de b usqueda aleatoria . . . . . . . . . . . . . . . . 116
5.6. Resultado de ensayos de par ametros de penalizaci on del error y del esfuerzo
de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.7. Par ametro de penalizaci on obtenido aplicando el m etodo de b usqueda aleatoria 127
5.8. Resultado combinaci on de par ametros con el efecto del error c ubico en la fun-
ci on de costo (Ver Figura 5.30 . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.9. Resultado combinaci on de par ametros con el efecto del error y del esfuerzo de
control c ubico en la funci on de costo (Ver Figura 5.35 . . . . . . . . . . . . . . 138
6.1. Valores propios de la matriz jacobiana calculada en el punto de equilibrio al-
canzado en lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Resumen
En este trabajo, se presenta el modelado de una columna de destilaci on binaria no ideal para la
separaci on de la mezcla etanol-agua.
La columna de destilaci on considerada posee doce platos, una unica etapa de alimentaci on, un
condensador total y un rehervidor. El modelo din amico de la columna de destilaci on binaria,
posee algunas restricciones dadas principalmente por el equilibrio t ermodin amico y la presen-
cia de un aze otropo homog eneo en la mezcla. El modelo matem atico tiene en cuenta el balance
de masa global y por componente, el balance de energa, el balance hidra ulico y el equilibrio
termodin amico, denido por la formulaci on .
De acuerdo con el modelo din amico y a las suposiciones y consideraciones adoptadas, se de-
sarrollaron tres planteamientos con diferentes grados de complejidad. Las ecuaciones diferen-
ciales no lineales de cada uno de los modelos se resuelven empleando un Runge Kutta de cuarto
orden y se analiza el comportamiento de cada uno de ellos ante variaciones en los par ametros
con el n de determinar el modelo m as apropiado para el desarrollo del algoritmo de control.
Se presenta el an alisis din amico del sistema de la columna de destilaci on binaria mediante la
linealizaci on alrededor de un punto de equilibrio y el estudio de bifurcaciones variando los
par ametros del sistema de forma independiente. El sistema posee un unico punto de equilibrio
estable seg un la denici on de Lyapunov y no presenta bifurcaciones.
Se desarrolla una estrategia de control predictivo aplicado al modelo no lineal de la columna de
destilaci on. La soluci on del algoritmo de control corresponde a un problema de optimizaci on
cuadr atico con restricciones, el cual debe solucionarse en cada tiempo de muestreo para todo
el horizonte de predicci on.
La funci on de costo presenta par ametros de penalizaci on para el error y las acciones de control,
los cuales son par ametros empricos que deben ser optimizados con el n de que el controlador
sea robusto y a su vez suave en la respuesta. Se presentan dos m etodos para la selecci on dichos
XIV
par ametros.
Se eval ua el efecto del t ermino c ubico en la funci on de costo y el desempe no del control pre-
dictivo basado en el modelo no lineal. Finalmente, se analiza la estabilidad de la columna de
destilaci on en lazo cerrado con diagramas de bifurcaci on variando las variables de perturbaci on
y empleando la teora de conjuntos invariantes.
Abstract
This paper presents the modeling of a nonlinear binary distillation column for the separation
of ethanol-water mixture. The mathematical model involves the global and component mass
balance, the energy balance, the hydraulic balance and the equilibrium thermodynamic dened
by formulation.
Presents the dynamic analysis system binary distillation column by the linearization around
an equilibrium point and presents the study of bifurcations by varying the system parameters
independently. The system has a single stable equilibrium point as dened by Lyapunov and
no present bifurcations points.
Develop a predictive control strategy applied to the nonlinear model of the distillation column.
The solution of the control algorithm corresponds to a quadratic optimization problem with
constraints and penalty parameters for error and control effort. This parameters are chosen by
trial and error and the random search method.
The effect of the cubic term in the cost function and performance of predictive control based
on nonlinear model (NMPC) with respect to predictive control in the linear model (MPC).
Finally, analyze the stability of the distillation column in closed-loop with bifurcation diagrams
and using invariant set theory.
XVI
Nomenclatura
A
a

Area activa, area de la l amina perforada, m
2
A
d

Area de la secci on transversal del vertedero, m
2
A
n

Area neta de la secci on transversal de la torre para el ujo del gas
para platos de ujo transversal, m
2
A
o

Area de las perforaciones, m
2
A
t

Area de la secci on transversal de la torre, m
2
C
dry
Coeciente de peso
C
F
Constante de inundaci on de los platos, emprica
C
o
Coeciente del oricio, Adimensional
C
ow
Coeciente de peso
d
o
Di ametro de las perforaciones, m
f Factor de fricci on de Fanning, Adimensional
F Velocidad molar de alimentaci on,kgmol/hr
G Velocidad molar supercial de masa del gas, gmol/m
2
sg
G
Velocidad supercial de masa del gas, g/m

2
sg
h Coeciente de transferencia de calor, kJ/m
2
Ksg
H Coeciente de transferencia de calor, kJ/m
2
Ksg
h
cl
Altura del lquido claro, m
h
D
Cada de presi on del gas en el plato seco como frente del lquido claro, m
h
G
Cada de presi on del gas como frente del lquido claro, m
h
L
Cada de presi on del gas debido a la retenci on del lquido sobre el plato,
como frente del lquido claro, m
h
D
Cada de presi on del gas en el plato seco como frente del lquido claro, m
XVII
h
R
Cada de presi on del gas residual como frente del lquido claro, m
h
o
w Cresta del derramadero, m
h
w
Altura del derramadero, m
h
2
P erdida del frente debido al ujo del lquido debajo del fald on del vertedero, m
h
3
Retroceso del lquido en el vertedero, m
l Espesor del plato, m
L Velocidad molar supercial de masa del lquido, gmol/m
2
sg
L
D
Flujo molar del lquido en el destilado, kgmol/hr
L
Velocidad supercial de masa del lquido, g/m

2
sg
M
Tn
Masa total retenida en el plato n, kgmol
M
cl
Masa de lquido retenida por el plato, kgmol
M
dc
Masa retenida en el derramadero, kgmol
M
V
Masa de vapor retenida, kgmol
N Horizonte de control
N
m
Peso molecular promedio de la mezcla, kg/kgmol
N
m
, L Peso molecular de la mezcla lquida, kg/kgmol
p Separaci on entre las perforaciones
P Presi on, bar
p
R
Cada de presi on residual del gas, bar
q Flujo volum etrico del lquido, m
3
/sg
Q Flujo volum etrico, m
3
/sg
Re
G
N umero de Reynolds para el gas, Adimensional
Re
o
N umero de Reynolds del orico, Adimensional
T Di ametro de la torre, m
t Espaciamiento entre los platos, m
Tiempo, hr
V Velocidad supercial basada en A
n
, m/sg
V
a
Velocidad del gas basada en A
a
, m/sg
V
F
Velocidad de inundaci on basada en A
n
, m/sg
V
o
Velocidad a trav es del oricio, m/sg
V
ow
Velocidad mnima el gas a trav es de los oricios debajo de la cual hay lloriqueo
excesivo, m/sg
V
R
Velocidad molar del lquido en fondos, kgmol/h
W Longitud del derramadero, m
x Concentraci on en el lquido, fracci on molar
x Concentraci on en el lquido en estado estable, fracci on molar
y Concentraci on en el gas, fracci on molar
z Espesor del ujo promedio para el lquido sobre el plato m
z
F
Concentraci on en la alimentaci on, fracci on molar
Z Longitud de trayectoria sobre un plato,A
a
, m
Letras griegas
Constante emprica (Ecuaci on 3.13)
ij
Volatilidad relativa del componente i con respecto al componente j
Constante emprica para la velocidad de inundaci on (Ecuaci on 2.35)
Par ametro de penalizaci on del error
Par ametro de penalizaci on para el efecto c ubico del error y del esfuerzo de control
Densidad molar, kg/kgmol
Tensi on supercial (Ecuaci on 2.35)
Par ametro de penalizaci on del esfuerzo de control
Abreviaturas
CLF Funci on de Lyapunov de control
LQR Regulador lineal cuadr atico
LMPC Control predictivo aplicado al modelo lineal(lineal model predictive control)
MIMO M ultiples entradas, m ultiples salidas
(multi-input, multi-output).
MPC Control predictivo aplicado al modelo (model predictive control).
NMPC Control predictivo aplicado al modelo no lineal(nonlineal model predictive control)
PID Control proporcional-integral-derivativo.
SISO Una entrada y una salida (single input, single output).
Captulo 1
Introducci on
La destilaci on es una t ecnica com un para la separaci on de corrientes lquidas con dos o m as
componentes y es una de las operaciones unitarias m as importantes en la industria qumica
(Luyben, 1996). El dise no y control de una columna de destilaci on es de gran importancia, ya
que permite obtener corrientes de producto con la pureza requerida, ya sea para la venta o para
su utilizaci on en otros procesos qumicos (Bequette, 1998).
En la gran mayora de las industrias las columnas de destilaci on presentan esquemas de control
lineal y generalmente corresponden a controles lineales tipo cascada (Rovaglio et al., 1990),
los cuales deben de ser replanteados debido a la din amica no lineal presentada por este tipo de
sistemas.
El proceso de destilaci on permite fraccionar los diferentes componentes de una mezcla en
funci on de las volatilidades relativas de los mismos, con el n de obtener composiciones es-
pecicas en el proceso para los productos de destilado y de fondos(Bequette, 1998, Luyben,
1996, Seader and Henley, 2006). Por esta raz on, un sistema de control adecuado es fundamen-
tal en el cumplimento de los requerimientos exigidos. El modelo din amico de una columna
de destilaci on se caracteriza por ser multivariable no lineal con interacciones fuertes entre las
variables, y sujeto a perturbaciones. Por lo tanto, los sistemas de control lineales empleados en
la actualidad son inadecuados para la din amica del proceso.
Por este motivo, una columna de destilaci on binaria representa un difcil e interesante proble-
ma en el dise no de control no lineal, como resultado de la din amica compleja que envuelve
el sistema, las interacciones termodin amicas presentes en cada plato, la interacci on entre las
corrientes internas y externas del sistema, la alta no linealidad y el car acter distributivo de una
columna de destilaci on que son representados por los perles de composici on y temperatura.
Esto es debido a que solo una peque na parte de la columna se utiliza para las separaciones
1
Captulo 1. Introducci on
grandes mientras que otras partes son responsables solo del perfeccionamiento de los produc-
tos (Gupta et al., 2009).
La elecci on de la t ecnica de control m as adecuada a partir del modelo din amico de la columna
de destilaci on y su aplicaci on tiene una implicaci on econ omica bastante relevante, ya que el
algoritmo de control afecta la calidad del producto, la velocidad de producci on y energa uti-
lizada, por lo tanto se deben de tener en cuenta aspectos como la inherente no linealidad, el
comportamiento no estacionario, el acoplamiento de las ecuaciones que modelan el sistema y
la severidad de las perturbaciones involucradas en el proceso.
En la actualidad son escasas las t ecnicas no lineales para el control del modelo din amico de
una columna de destilaci on binaria (Bequette, 1991), por lo cual es de gran inter es plantear,
dise nar y desarrollar un algoritmo de control predictivo basado en el modelo no lineal que se
adapte a las verdaderas necesidades de esta operaci on unitaria.
Desde el punto de vista de aplicaciones industriales, el control predictivo aplicado al mode-
lo tiene algunas ventajas importantes sobre otras, ya que permite de forma sencilla manipular
sistemas multivariables con restricciones, e incorpora de forma natural la compensaci on del
control predictivo, proporcionando una variaci on mnima en las variables controladas, aumen-
tando la productividad, la estabilidad y la seguridad del proceso, proporcionando benecios
econ omicos y sociales.
As, el area de control predictivo no lineal ha ido tomando una importancia creciente en los
ultimos a nos, y como consecuencia, un n umero creciente de resultados y publicaciones han
aparecido en la literatura. Todo este desarrollo ha provocado un conocimiento cada vez m as
profundo de la estabilidad y robustez de esta t ecnica de control, resolvi endose problemas exis-
tentes y apareciendo nuevo retos.
Igualmente, debido al avance en los sistemas de computaci on se ha facilitado el an alisis y la
simulaci on de modelos matem aticos complejos como el presentado por las columnas de desti-
laci on, y se ha impulsado el desarrollo de nuevas t ecnicas de control avanzado para procesos
multivariables.
1.1. Contribuci on
La primera contribuci on de est a tesis es el desarrollo de un modelo no lineal de una columna de
destilaci on binaria para la separaci on de la mezcla etanol-agua. El modelo matem atico involu-
2
cra el balance de masa global y por componente, el balance de energa, el balance hidra ulico y
el equilibrio termodin amico, denido por la formulaci on .
Se desarrollaron tres planteamientos diferentes del modelo matem atico, con el n de seleccio-
nar el modelo que se adaptara mejor al proceso real y que a su vez fuera aceptable para el
desarrollo del algoritmo de control. El primer planteamiento corresponde al modelo riguroso
de la columna de destilaci on el cual involucra 28 ecuaciones diferenciales, 24 ecuaciones alge-
braicas y 14 relaciones termodin amicas. El segundo planteamiento posee 14 ecuaciones difer-
enciales, 26 ecuaciones algebraicas y 14 relaciones termodin amicas, y el tercero involucra 14
ecuaciones diferenciales, 4 ecuaciones algebraicas y 14 relaciones termodin amicas.
La soluci on num erica se realiz o empleando un Runge Kutta de cuarto orden y se observ o que
el grado de complejidad de cada uno de estos planteamientos afectan el tiempo de calculo. Se
evalu o la respuesta en lazo abierto de cada uno de ellos al realizar variaciones en los par ametros:
ujo de alimentaci on, ujo de recirculaci on, ujo de rehervidor y composici on de alimentaci on
y se realiz o un an alisis de bifurcaciones.
La segunda contribuci on de est a tesis es el planteamiento de un algoritmo de control predic-
tivo aplicado al modelo no lineal de una columna de destilaci on binaria para la separaci on
de la mezcla etanol-agua. El algoritmo de control corresponde un problema de optimizaci on
cuadr atico con restricciones, el cual debe solucionarse en cada tiempo de muestreo para todo
el horizonte de predicci on. En este trabajo se eval ua el efecto del error en la funci on de costo,
agregando un t ermino c ubico, obteni endose buenos resultados debido a que la acci on de con-
trol se vuelve m as suave en la respuesta.
La tercera contribuci on es el buen desempe no que presenta el algoritmo de control predictivo
basado en el modelo no lineal (NMPC) con respecto al control predictivo basado en el mode-
lo lineal(MPC) para el control de una columna de destilaci on binaria para la separaci on de la
mezcla etanol agua.
La cuarta contribuci on de est a tesis se encuentra enfocada hacia el an alisis de la estabilidad del
sistema de control de la columna de destilaci on binaria empleando diagramas de bifurcaci on
y la teora de conjuntos invariantes. Obteni endose bajo los dos conceptos que el algoritmo de
control aplicado al modelo no lineal de la columna de destilaci on garantiza la estabilidad del
sistema.
3
1.2. Organizaci on de la Tesis
La tesis est a compuesta por seis captulos. El Captulo 2 y 3, est a enfocado hacia el dise no
y modelado de la columna de destilaci on binaria para la separaci on de la mezcla no ideal
etanolagua. El Captulo 4 corresponde al an alisis din amico del sistema y en los captulos 5 y
6 se presenta el dise no de una estrategia de control para el modelo no lineal de la columna de
destilaci on y el an alisis de la estabilidad en lazo cerrado.
A continuaci on se presenta una breve descripci on de cada captulo.
Captulo 2 Dise no y simulaci on de una columna de destilaci on en estado estacionario
En este captulo se realiza una introducci on sobre generalidades de los procesos de separaci on
de mezclas por destilaci on y se presentan conceptos b asicos para el dise no de columnas de des-
tilaci on de platos convencionales en estado estacionario. Posteriormente se plantea el dise no
de una columna de destilaci on binaria para la separaci on del sistema etanol agua con su re-
spectiva simulaci on. Las condiciones de estado estacionario de la columna corresponden a las
condiciones iniciales para la simulaci on del modelo din amico.
Captulo 3 Modelado y simulaci on din amica de una columna de destilaci on
En este captulo se presenta el modelo din amico no lineal de una columna de destilaci on para el
sistema etanol agua, se desarrollaron tres modelos din amicos con grados de complejidad de-
bido a las suposiciones y consideraciones realizadas. Se realiza un an alisis comparativo entre
los tres planteamientos, los cuales divergen en el n umero de ecuaciones diferenciales, alge-
braicas y relaciones de equilibrio que involucran, con el n de evaluar el comportamiento del
sistema ante perturbaciones en las variables de entrada: ujo de alimentaci on, ujo de recir-
culaci on, ujo de rehervidor y composici on de alimentaci on. Se observa que a pesar de las
diferencias en el grado de complejidad de cada uno de estos modelos el comportamiento de la
respuesta del sistema es aproximado.
A partir de los resultados obtenidos el modelo de menor orden fue seleccionado, por simplici-
dad, para utilizarse en la estrategia de control, con el n de disminuir el tiempo de computo en
el desarrollo del controlador.
4
Captulo 4 An alisis din amico del modelo de una columna de destilaci on
En este captulo se muestra un an alisis din amico del modelo no lineal de una columna de des-
tilaci on binaria para el sistema etanol-agua. El an alisis se realiza aplicando el m etodo indirecto
de Lyapunov. El m etodo de Lyapunov se basa en la linealizaci on alrededor del punto un equi-
librio alcanzado y caracteriza dicho punto evaluando los valores propios de la matriz din amica.
El comportamiento din amico del sistema con el modelo no lineal es comparado con el modelo
lineal obtenido a partir de la linealizaci on alrededor del punto de equilibrio, dando como resul-
tado que el modelo lineal no es una buena aproximaci on del modelo no lineal.
Para el an alisis del comportamiento del sistema ante perturbaciones en las variables de entrada
se realizan diagramas de bifurcaci on, los cuales dan como resultado que todos los puntos de
equilibrio alcanzados en cada variaci on de los par ametros corresponden a puntos de equilibrio
estables y el sistema no presenta bifurcaciones.
Captulo 5 Control predictivo basado en el modelo
En este captulo se plantea un algoritmo de control predictivo basado en el modelo no lineal
de una columna de destilaci on binaria. La estrategia de control dene una funci on objetivo que
genera un problema de optimizaci on cuadr atica con restricciones, y se resuelve para determi-
nar los movimientos que deben ser aplicados a las entradas manipuladas en los instantes de
muestreo siguientes en el horizonte de control.
La funci on de costo presenta unos par ametros de penalizaci on que deben ser optimizados con
el n de que el controlador sea robusto y a su vez suave en la respuesta. La optimizaci on de los
par ametros se realiza por el m etodo de ensayo y error, y por optimizaci on num erica empleando
el algoritmo de b usqueda aleatoria.
Se eval ua el efecto del error en la funci on de costo, agregando un t ermino c ubico a esta expre-
si on. Se observa que el t ermino c ubico da una respuesta m as suave del sistema, con respecto a
la respuesta dada utilizando la expresi on de la funci on de costo original.
Se demuestra la ventaja de emplear el control predictivo propuesto en est a tesis evaluando el
desempe no del control predictivo basado en el modelo no lineal (NMPC) con respecto al con-
trol predictivo basado en el modelo lineal (MPC) de la columna de destilaci on binaria para la
separaci on de la mezcla etanol-agua ante cambios en la referencia y ante perturbaciones.
5
Captulo 6 Estabilidad del control predictivo
En este captulo se utiliza la teora de conjuntos invariantes para el an alisis de la estabilidad del
algoritmo de control predictivo basado en el modelo del sistema no lineal sujeto a restricciones
de la columna de destilaci on binaria. La ley de control obtenida a partir de la soluci on del pro-
blema de optimizaci on, es una soluci on optima y se realiza un an alisis de estabilidad con el
n de vericar si la ley de control garantiza o no la estabilidad del sistema en lazo cerrado. Se
obtiene como resultado que el sistema en lazo cerrado si es estable.
6
Captulo 2
Dise no y simulaci on de una columna de
destilaci on en estado estacionario
La destilaci on es un proceso fsico que sirve para separar una mezcla lquida en sus compo-
nentes. Cuando una mezcla lquida es vaporizada, el vapor tiene una composici on diferente a
la del lquido residual. En la parte superior de la columna el vapor es condensado y el producto
lquido es llamado Destilado y el producto residual es llamado Fondos. En la Figura 2.1 se
presenta un esquema b asico del modelo de una columna de destilaci on.
Las columnas de destilaci on de platos convencionales, son las columnas m as utilizadas a nivel
industrial, en ellas el lquido y el vapor se ponen en contacto en forma de pasos sobre platos,
tal como se muestra en la Figura 2.2. El lquido entra por la parte superior de la columna y
uye en forma descendente por gravedad, a trav es de todas las etapas bajando por un conducto
a la etapa inmediatamente inferior. El vapor sube pasando por los oricios de los platos, bur-
bujeando en el lquido retenido para formar una espuma. Posteriormente el vapor se separa de
la espuma y pasa al plato superior. A lo largo de la columna se presenta un contacto m ultiple
a contracorriente entre el vapor y el lquido, y en cada etapa de contacto ocurre la difusi on
interfacial y los uidos se separan (King, 1988, Treybal, 1981, Wankatt, 1988).
El n umero de platos te oricos o etapas en el equilibrio de la columna depende de lo complicado
de la separaci on que se va a llevar a cabo y solo est a determinado por el balance de materia
y las consideraciones acerca del equilibrio termodin amico. Por otra parte, el di ametro de la
torre depende de las cantidades de lquido y vapor que uyen a trav es de la torre por unidad de
tiempo (King, 1988, Wankatt, 1988). Una vez que se ha determinado el n umero de etapas en el
equilibrio o platos te oricos requeridos, el problema principal en el dise no de la torre es escoger
las dimensiones y arreglos optimos. La columna debe ser dise nada de forma tal que no exista
7
Captulo 2. Dise no y simulaci on de una columna de destilaci on en estado
estacionario
Figura 2.1: Modelo b asico columna de destilaci on
arrastre de lquido por parte del vapor, evitando de esta forma la reducci on de la concentraci on
que se realiza mediante la transferencia de masa, y que la cada de presi on no sea alta ya que
esto conduce a inundaciones. Si la torre queda inundada, la eciencia de los platos disminuye
a un valor muy bajo, el ujo del gas es err atico y el lquido puede forzarse hacia la tubera de
salida en la parte superior de la torre (Kister, 1992, Treybal, 1981).
La elevada profundidad del lquido en los platos proporciona mayores eciencias en los platos
por largos tiempos de contacto, pero a su vez esto causa una cada de presi on alta en cada pla-
to (King, 1988, Wankatt, 1988). Dentro de los lmites razonables, las altas velocidades de gas
proporcionan un buen contacto lquido-vapor mediante dispersi on excelente, pero ocasionan
excesiva entrada del lquido al gas y una cada alta de presi on. A muy baja rapidez del lquido,
el gas ascendente a trav es de los oricios del plato puede empujar al lquido hacia afuera, sin
8
estacionario
Figura 2.2: Secci on esquem atica a trav es de una torre de platos perforados
un buen contacto entre el gas y el lquido. Si el ujo del gas es muy bajo, parte del lquido
caer a a trav es de los oricios del plato (lloriqueo) y puede alcanzar las tuberas descendentes
(almacenamiento) (Holland and Liapis, 1981, Kister, 1992, Treybal, 1981).
2.1. Equilibrio de fases
La base fundamental de la destilaci on es el equilibrio fsico existente entre las fases de vapor y
lquido del sistema. En un sistema multicomponente y multifase, la energa libre de Gibbs (G)
para cada fase viene dada por la funci on (Smith et al., 1996):
G = G(T, P, n
1
, n
2
, . . . , n
i
) (2.1)
9
estacionario
Donde T es la temperatura del sistema, P es la presi on del sistema y n
i
son las moles de la
especie i del sistema. La diferencial total de la energa libre de Gibbs es:
dG =
_
G
T
_
P,n
i
dT +
_
G
P
_
T,n
i
dP +
i
i=1
_
G
n
i
_
P,T,n
j
dn
i
(2.2)
De acuerdo a la termodin amica cl asica la ecuaci on 2.2, se puede escribir como:
dG = S dT +v dP +
i
i=1
i
dn
i
(2.3)
Donde, S es la entropa, T la temperatura, v el volumen, P la presi on,
i
es el potencial qumico
de la especie i del sistema y n
i
las moles de la especie i del sistema.
La ecuaci on 2.3 se cumple para un sistema cerrado que consiste en dos fases de equilibrio
a temperatura y presi on uniformes, donde cada fase es un sistema abierto capaz de transferir
materia con la otra fase.
dG
sistema
=
m
k=1
_
i
i=1
(k)
i
dn
(k)
i
_
= 0 (2.4)
Donde el ndice (k) se reere a cada una de las fases m del sistema. La conservaci on de los
moles de cada especie exige que:
dn
(1)
i
=
m
k=2
dn
(k)
i
(2.5)
Sustituyendo esta relaci on en (2.4) conduce a
sum
m
k=1
_
i
i=1
_
(k)
i

(1)
i
_
dn
(k)
i
_
= 0 (2.6)
Cada t ermino dn
(k)
i
puede variar independientemente de cualquier otro t ermino dn
(k)
i
, pero
esto sucede solo si cada coeciente dn
(k)
i
en (2.6) es cero. Por lo tanto,
(1)
i
=
(2)
i
=
(3)
i
= .. .
(m)
i
(i = 1, 2, . . . , n) (2.7)
Donde,
(
i
m), es el potencial qumico del componente i en la fase m y, n es el n umero de
componentes de la mezcla.
El potencial qumico no se puede expresar como una magnitud absoluta y, tiende a un valor
innito negativo cuando la presi on se aproxima a cero (Seader and Henley, 2006). Por estas
10
estacionario
razones, el potencial qumico no resulta util de forma directa para los c alculos del equilibrio
de fase cuando se encuentran a la misma T y P, y se expresa en t erminos de alguna funci on
termodin amica relacionada con las magnitudes medibles, como lo es la fugacidad.
La fugacidad (Lewis, 1901) es una pseudo presi on que para un componente en una mezcla.
Prausnitz demostr o que para un equilibrio fsico la ecuaci on 2.7 se puede substituir por la
ecuaci on 2.8 admitiendo equilibrio t ermico (Prausnitz et al., 1986).
f
(1)
i
= f
(2)
i
= f
(3)
i
= .. .f
(m)
i
(i = 1, 2, . . . , n) (2.8)
Donde f es la fugacidad del componente i en la fase m. Para que un sistema de m fases a la
misma T y P, se encuentre en equilibrio de fases, la fugacidad de cada componente debe ser
la misma en todas la fases. Para una fase lquida y otra de vapor, el estado de equilibrio se
encuentra expresado como:
f
V
i
=

f
L
i
(2.9)
Para sistemas no ideales, la igualdad de fugacidades puede escribirse de la forma
y
i
i
P =
i
x
i
f
o
i
(T, P) (2.10)
Siendo y
i
la fracci on molar del componente i en la fase vapor,

i
el coeciente de fugacidad
del componente i en la fase vapor, P la presi on del sistema,
i
, el coeciente de actividad del
componente i en la fase lquida, x
i
, la fracci on molar del componente i en la fase lquida y f
o
i
la fugacidad del componentes i en el estado de referencia elegido para la fase lquida.
El coeciente de fugacidad (
i
) del un componente i en la fase vapor puede determinarse a
partir de propiedades volum etricas de la fase mediante la ecuaci on (Prausnitz et al., 1986).
ln
i
=
1
RT
_
P
0
_
v
i
RT
P
_
dP (2.11)
Siendo T la temperatura del sistema, P la presi on del sistema y R la constante universal de los
gases ideales y v
i
el volumen parcial del componente i, el cual puede ser calculado a partir de
una ecuaci on de estado.
La desviaci on con respecto a la idealidad de la fase lquida se caracteriza por el coeciente de
actividad de una especie i en disoluci on denido como:
i
=
f
L
i
x
i
f
o
i
(2.12)
11
estacionario
Es decir la fugacidad de un componente en fase lquida est a relacionada con la fracci on molar
de este componente en dicha fase por medio del coeciente de actividad y de la fugacidad de
referencia.
2.2. Equilibrio lquido - vapor formulaci on
En el equilibrio, la fase de vapor y la fase lquida poseen diferentes composiciones a no ser que
exista la presencia de un aze otropo. La relaci on de las concentraciones de equilibrio para un
componente i entre las fases es descrita por una relaci on de equilibrio denida como (Sandler
and Stanley, 1994):
K
i
=
y
i
x
i
(2.13)
Donde, K
i
es la relaci on de equilibrio para el componente i, y
i
es la fracci on molar de i en el
vapor en equilibrio y x
i
es la fracci on molar de i en el lquido.
Las relaciones de equilibrio de dos componentes en el sistema pueden ser comparados a las
mismas condiciones por medio de la volatilidad relativa, denida como,
ij
= K
i
/K
j
(2.14)
Donde,
ij
volatilidad relativa del componente i con respecto al componente j.
Generalmente la volatilidad relativa es expresada como la relaci on de el componente m as
vol atil al menos vol atil, de modo que el valor num erico de
ij
sea mayor que la unidad.
Para un sistema binario, x
j
= 1 x
i
y y
j
= 1 y
i
,
ij
=
y
i
/x
i
(1 y
i
)/(1 x
i
)
(2.15)
o
y
=
x
1 + ( 1)x
(2.16)
Donde, x y y
son las concentraciones en el equilibrio del componente m as vol atil.

La volatilidad relativa es una herramienta usada para determinar la facilidad y viabilidad de
la separaci on de una mezcla por destilaci on. Entre mayor sea la volatilidad relativa entre los
dos componentes claves, es m as f acil y menos costosa la separaci on de estos compuestos. Si
la volatilidad relativa entre los componentes claves es cercana a la unidad, la separaci on por
12
estacionario
destilaci on ordinaria es imposible.
Muchas de las mezclas son no ideales tanto en la fase lquida como en la fase vapor, por lo
tanto,
K
i
L
i
P
sat
i
V
i
P
(2.17)
Donde
L
i
es el coeciente de actividad de la fase lquida para la especie i, y esta es funci on de
la temperatura y la presi on,

V
i
es el coeciente de fugacidad de la fase vapor para la especie i
y P
sat
i
es la presi on de saturaci on del componente i.
2.3. Modelo termodin amico
2.3.1. Ecuaci on de estado - Peng Robinson
Para calcular los coecientes de fugacidad se puede emplear una ecuaci on de estado. Los m eto-
dos basados en ecuaciones de estado proporcionan una de las t ecnicas m as utiles para presentar
los equilibrios de fases de sistemas multicomponentes.
La ecuaci on de Peng - Robinson da muy buenos resultados en la predicci on de propiedades,
debido a que en el t ermino que dene las fuerzas de atracci on entre las mol eculas considera
una funci on que depende de la temperatura e introduce la correcci on del volumen en el segundo
t ermino de la expresi on general
P =
RT
v b

PR
v (v +b) +b(v b)
(2.18)
Donde P es la presi on, T es la temperatura absoluta, R es la constante de los gases ideales y,
PR
= a
_
1 + (0,37464 + 1,54226 0,26992
2
)
_
1
_
T/T
c
__
2
(2.19)
Para un uido puro, las constantes a y b vienen dadas por,
a = 0,45724
(RT
c
)
2
P
c
(2.20)
b = 0,07780
RT
c
P
c
(2.21)
13
estacionario
La ecuaci on puede expresarse en funci on del factor de compresibilidad, de la siguiente manera:
Z
3
(1 B) Z
2
+
_
A3B
2
2B
_
Z
_
AB B
2
B
3
_
= 0 (2.22)
Donde,
A =

PR
P
R
2
T
2
(2.23)
B =
bP
RT
(2.24)
Estas ecuaciones se pueden resolver con un m etodo iterativo como el M etodo de Newton Raph-
son.
La ecuaci on de estado para una mezcla tiene exactamente la misma forma que para un compo-
nente puro, donde a y b par ametros de la mezcla.
2.3.2. Regla de mezclado
La mayora de las reglas de mezclado para las ecuaciones c ubicas de estado calculan los
par ametros a y b de acuerdo a las reglas de mezcla para uidos y la unica diferencia entre
las reglas combinatorias es la forma en que se determinan los coecientes cruzados a
ij
y b
ij
.
Las expresiones reales m as simples son una regla de mezclado lineal para el par ametro b
(Ecuaci on 2.25) y una regla de mezclado cuadr atica para el par ametro a (Ecuaci on 2.26).
b
m
=
x
i
b
i
(2.25)
a
m
=
_
x
i
a
0,5
i
_
2
(2.26)
Estas ecuaciones, conocidas como la regla de van der Waals, se proporcionan para la evaluaci on
de los par ametros de la mezcla unicamente a partir de los par ametros de las especies puras
constituyentes (Smith et al., 1996).
14
estacionario
2.4. Calculo de etapas
2.4.1. Especicaciones de la separaci on
En este trabajo se toma como caso de estudio una etapa del proceso de separaci on y recu-
peraci on de etanol anhidro. La concentraci on de alcohol en los caldos de cultivo resultantes
de los procesos de fermentaci on oscila entre 2, 5y10 %(p/p), por lo que es necesario concen-
trar el etanol hasta valores mayores a 99 %(p/p) y obtener as alcohol anhidro (deshidrata-
do), que es el utilizado en calidad de aditivo para la gasolina, ya que la presencia de agua en
el etanol puede conllevar a fallas durante la combusti on en el motor (Sanchez and Cardona,
2005, Wyman, 1994).
La primera etapa para la obtenci on de alcohol anhidro es la destilaci on convencional que eleva
la concentraci on de etanol en el caldo hasta un 45 50 %(p/p), posteriormente, se obtiene
un destilado con una concentraci on de 90 92 %(p/p) mediante una columna de recticaci on
(Wooley et al., 1999). Debido a las propiedades fsico-qumicas de las mezclas alcohol-agua,
es imposible retirar completamente el agua a presi on atmosf erica como consecuencia de la
formaci on de una mezcla azeotr opica que implica la obtenci on de mezclas con un m aximo de
95,6 % en peso de etanol, por lo que son necesarios procesos de separaci on no convencionales
(Sanchez and Cardona, 2005).
La obtenci on del producto nal corresponde al proceso de separaci on simple en la columna de
recticaci on, es decir que es una separaci on de una alimentaci on en dos productos, destilado
y fondos. Las especicaciones corresponden a una sola variable relacionada con la calidad del
destilado y una variable relacionada con el fondo. Con base en lo reportado por (Sanchez and
Cardona, 2005, Wooley et al., 1999), es considerada una alimentaci on de 25 % mol de etanol
y 75 % mol de agua, siendo el etanol el componente m as vol atil. La composici on de etanol
deseada en el destilado de 82 % mol de etanol y en fondos de 1 % mol de etanol.
El modelo propuesto por McCabe y Thiele (McCabe and Thiele, 1925), fue empleado para el
an alisis del sistema binario no lineal (etanol-agua). En las Figuras 2.3 y 2.4 se puede observar
el comportamiento de equilibrio para la mezcla etanol-agua, la curva se traza con las fracciones
molares del vapor (y) y del lquido de etanol en equilibrio (x). El comportamiento de la curva
corresponde a un sistema con un aze otropo homog eneo, el aze otropo indica que el etanol es
m as vol atil a bajas composiciones y es menos vol atil a altas concentraciones (por encima del
15
estacionario
aze otropo) como se observa.
Una vez que se tiene la curva de equilibrio se ubican las composiciones de alimentaci on, des-
Figura 2.3: Diagrama T-xy para el sistema binario etanol-agua
Figura 2.4: Diagrama T-xy para el sistema binario etanol-agua (Aze otropo)
tilado y fondos en la diagonal. Como la alimentaci on corresponde a lquido saturado (T
b
urb =
355,18K) la lnea q es vertical. La lnea de operaci on de la secci on de recticaci on se traza
16
estacionario
desde la composici on del destilado con una pendiente determinada para una relaci on de reujo
de 1,6. La lnea de la secci on de agotamiento se gr aca desde el punto de la composici on del
fondo hasta la intersecci on de la lnea-q y la lnea de recticaci on.
Los balances empleados para el c alculo de las lneas de operaci on se dividen en dos secciones:
Figura 2.5: Diagrama McCabeThiele para el sistema binario etanol-agua
1) Balance para la secci on de recticaci on
y
i+1
=
R
R + 1
x
i
+
x
D
R + 1
(2.27)
2) Balance para la secci on de agotamiento
y
i+1
=
L +

B
x
i
+
B
L +B
x
B
(2.28)
Finalmente, las etapas de equilibrio se calculan como se indica en la gura 2.5, para este caso
en particular el n umero necesario de etapas de equilibrio son 14. La construcci on y uso de
los diagramas de McCabe Thiele se encuentran con mayor detalle en (Seader and Henley,
2006, Stichlmair and Fair, 1998, Treybal, 1981).
17
estacionario
2.5. Balance de materia y energa en cada etapa de contacto
Cada etapa de la columna de destilaci on recibe el lquido de la etapa inmediatamente anterior
y el vapor de la posterior, y pasa a la etapa superior como vapor y a la inferior como lquido.
Tambi en puede recibir alimentaci on desde el exterior y/o producir una salida lateral de producto
lquido, vapor o ambos. En las Figuras. 2.6 y 2.7 se presenta el diagrama b asico de una etapa
de contacto en el proceso de destilaci on con respecto al balance de materia y al balance de
energa. Hipot eticamente en las etapas te oricas se asume que el ujo de lquido y el de vapor
se encuentran en equilibrio termodin amico.
De acuerdo con la Figura. 2.6 el balance de masa alrededor de la etapa de contacto n se puede
Figura 2.6: Diagrama del balance de materia en la etapa de contacto n
Figura 2.7: Diagrama del balance de energa en la etapa de contacto n
escribir de la siguiente manera:
F
n
z
i,n
+L
n1
x
i,n1
+V
n+1
y
i,n+1
= (V
n
+V
n
)y
i,n
+ (L
n
+L
n
)x
i,n
(2.29)
Donde, F es el ujo molar de alimentaci on, z la composici on molar del componente i en la
alimentaci on, L el ujo molar de lquido, x
i
la composici on molar del componente i en el
18
estacionario
lquido, V el ujo molar de vapor y y
i
la composici on molar del componente i en el vapor.
De acuerdo con la Figura. 2.7, el balance de energa para la etapa de contacto n empleando las
entalpas de todas las corrientes de vapor y el lquido se puede expresar como:
F
n
H
F,n
+L
n1
h
n1
+V
n+1
H
n+1
+Q
n
= (V
n
+V
n
)H
n
+ (L
n
+L
n
)h
n
(2.30)
Donde H
F
es el cambio ent alpico del ujo de alimentaci on, H es el cambio ent alpico del
ujo de vapor, h es el cambio ent alpico del ujo de lquido y Q
n
representa el calor agregado,
retirado, o generado en la etapa, ya sea por un intercambio de calor o una reacci on exot ermica
o endot ermica. En estos balances, las etapas se numeran desde la parte superior de la columna
hacia abajo.
Los cambios ent alpicos de los ujos de vapor(H) y lquido (h) son funci on de la temperatura,
presi on y composici on.
H = f (T, P, y) (2.31)
h = f (T, P, x) (2.32)
En cada etapa el vapor y el lquido se encuentran en equilibrio t ermico, sin embargo, no hay
equilibrio de fases. Para describir la desviaci on del equilibrio es utilizada la eciencia de Mur-
phree (Seader and Henley, 2006), denida como el cambio de la composici on de vapor a trav es
de la etapa, dividida por el cambio en la composici on que se obtendra si el sistema se encon-
trar a realmente en equilibrio de fases.
E
mv,i,n
=
y
i,n
y
i,n+1
K
i,n
x
i,n
y
i,n+1
(2.33)
La ecuaci on 2.33 est a expresada en t erminos de la composici on de vapor. La composici on de
vapor en equilibrio y
i,n
= K
i,n
x
i,n
, est a basada en la composici on de lquido que abandona la
etapa, debido a que en una etapa real existe un gradiente de composici on en el lquido.
Etapas m ultiples
Una columna de destilaci on simple resulta de la combinaci on de etapas de contacto que forman
el proceso en cascada de m ultiples etapas como se muestra en la Figura. 2.6.
19
estacionario
La columna de destilaci on es una unidad compuesta de un conjunto de etapas de equilibrio
con un solo alimento y dos productos, denominados destilado y fondo. Incluye, por lo tanto,
una etapa de equilibrio con alimentaci on que separa dos secciones de etapas de equilibrio,
denominadas recticaci on y agotamiento.
Figura 2.8: Diagrama etapas en cascada columna de destilaci on
2.6. Balance hidr aulico de cada etapa de contacto
Para el dise no de la columna de recticaci on para la separaci on de la mezcla etanol-agua, se
ha seleccionado una columna de platos perforados debido a su bajo costo y por ser una de las
columnas de platos m as empleadas industrialmente (Albrigth, 2009).
Un plato corresponde a una l amina horizontal de metal perforado, transversal al cual uye el
lquido; el gas pasa en forma ascendente a trav es de las perforaciones. El gas, dispersado por
las perforaciones, expande al lquido en una espuma turbulenta, que se caracteriza por una su-
20
estacionario
percie interfacial muy grande con respecto a la transferencia de masa. Los platos est an sujetos
a inundaciones, debido a la elevaci on del lquido en los vertederos o a un excesivo arrastre del
lquido en el gas por espumado (Treybal, 1981).
El espaciamiento entre los platos se escoge con base en la facilidad para la construcci on,
mantenimiento y costo; posteriormente se verica que el dise no evite cualquier inundaci on y
arrastre excesivo del lquido en el gas.
Para el dise no de la torre de destilaci on hay ciertos criterios que deben ser considerados, con
el n de que la regi on de operaci on de la columna corresponda a la regi on de operaci on sat-
isfactoria (Figura. 2.9) (Fair and Green, 1997). Los criterios considerados en el dise no de una
columna de destilaci on de platos perforados son:
El di ametro de la torre debe calcular con base en los ujos de lquido y de vapor.
Debe establecerse el arreglo de los platos
Calcularse la cada de presi on del gas
Calcularse los limites para la inundaci on
Se deben establecer las condiciones de seguridad con el n de evitar el lloriqueo excesivo
Figura 2.9: Caractersticas de operaci on de los platos perforados (Fair and Green, 1997)
21
estacionario
y el arrastre exagerado de lquido en el gas.
La torre dise nada debe ser apta para manejar cantidades de ujo mayores o menores que
las previstas.
A continuaci on son presentadas las caractersticas especcas que deben tenerse en cuenta en
el momento del dise no de la columna y los c alculos correspondientes, como se reporta en
(Treybal, 1981).
2.6.1. Di ametro de la torre
El di ametro de la torre y su area transversal deben ser lo sucientemente grandes para manejar
el ujo de vapor y de lquido, de forma tal de que siempre se encuentre dentro de la regi on de
operaci on satisfactoria (Figura 2.9). La velocidad supercial del gas V
F
, (ujo volum etrico del
gas Q/secci on transversal neta para el ujo A
n
) est a relacionada con las densidades del uido
mediante,
V
F
= C
F
_
G
_
1/2
(2.34)
Donde, C
F
es una constante de inundaci on, cuyo valor depende del dise no del plato y es cal-
culada con la ecuaci on 2.35,
L
es la densidad del lquido y
G
es la densidad del gas.
C
F
=
_
log
1
(L
/G
) (
L
/
G
)
0,5
+
_ _

0,02
_
0,2
(2.35)
Donde, es una constante emprica, L
es la velocidad supercial de masa lquida, G
es
la velocidad supercial de masa de vapor, es una constante emprica para la velocidad de
inundaci on y es la tensi on supercial.
De forma simplicada el area de la secci on transversal de la columna requerida est a dada por
la siguiente relaci on (Albrigth, 2009),
A
t
= A
a
+ 2A
d
= A
n
+A
d
(2.36)
Donde el area neta A
n
es usualmente del 85 al 95 % de A
t
, el total del area seccional de la
torre. Esto implica que el area del derramadero corresponde del 5 al 15 % del area total de la
secci on transversal(Ver Figura. 2.10).
22
estacionario
Figura 2.10: Designaciones de area para el cruce de ujos (Fair and Green, 1997)
Perforaciones y area activa
Generalmente se utilizan di ametros de los oricios de 3 a 12mm y con m as frecuencia de
4.5mm (Fair and Green, 1997). Los oricios se colocan en los v ertices de tri angulos equil ateros
a distancias entre los centros de 2,5 a 5 di ametros de los oricios (Treybal, 1981). Para un
arreglo de este tipo,
A
o
A
a
= 0,907
_
d
o
p
_
2
(2.37)
Donde, A
o
es el area de los oricios, A
a
es el area activa, d
o
es el di ametro de los oricios y p
es la separaci on entre las perforaciones.

2.6.2. Profundidad del lquido
Generalmente, las profundidades del lquido no deben ser menores de 50mm, y com unmente se
emplea un m aximo de 100mm. Estos lmites se reeren a la suma de la altura del derramadero
h
w
, m as la parte que queda sobre el derramadero h
ow
, calculada como lquido claro (h
cl
),
aunque en el area perforada la profundidad equivalente de lquido claro ser a menor que esta.
En la Figura. 2.11 se encuentra el diagrama esquem atico de un plato de perforado de ujo
23
estacionario
transversal, en el cual se encuentran especicadas las profundidades del lquido.
Figura 2.11: Diagrama esquem atico de un plato perforado de ujo transversal
2.6.3. Vertederos y derramaderos
El lquido que desciende de un plato superior a uno inferior uye a trav es de un vertedero,
el cual debe encontrarse lo sucientemente cerca del plato inferior para que el lquido que
desciende se una con al lquido en ese plato y se evite que el gas ascienda por el vertedero y no
uya a trav es del plato superior.
La profundidad del lquido sobre el plato, requerida para el contacto con el gas, se mantiene
mediante un derramadero, que puede ser o no una continuaci on del plato de descenso. Con el
n de asegurar una distribuci on razonablemente uniforme del ujo del lquido en un plato de
un paso, se utiliza un di ametro de derramadero de 60 a 80 por ciento del di ametro de la torre.
La cresta del lquido puede ser calculada aplicando la ecuaci on de Francis,
q
W
eff
= 1,839h
3/2
ow
(2.38)
Donde, q es el ujo volum etrico del lquido y W
eff
es la longitud efectiva del derramadero.
Debido a que la acci on del derramadero es estorbada por lados curvos de la torre circular, se
recomienda que W
eff
se represente como una cuerda del crculo de di ametro T, una distancia
h
ow
, m as alejada del centro que el derramadero real. Por lo tanto, la ecuaci on 2.38 puede
24
estacionario
reordenarse as,
h
ow
= 0,666
_
q
W
_
2/3
_
W
W
eff
_
2/3
(2.39)
Siendo,
_
W
W
eff
_
2
=
_
T
W
_
2
_
_
_
_
_
T
W
_
2
1
_
0,5
+
2h
ow
T
T
W
_
_
_
2
Donde, W es la longitud del derramadero.
2.6.4. Cada de presi on para el gas
La cada de presi on para el gas h
G
, se expresa en funci on del lquido claro de densidad
L
sobre el plato. Se encuentra denida por la suma de los efectos para el ujo del gas a trav es del
plato seco y de los efectos causados por la presencia del lquido:
h
G
= h
D
+h
L
+h
R
(2.40)
2.6.5. Cada de presi on en seco
La cada de presi on en seco h
D
, se da por la p erdida de presi on a la entrada de las perforaciones,
la fricci on dentro de las perforaciones debido al espesor del plato, y por la p erdida de presi on
a la salida. La expresi on para h
D
es de la forma:
2h
D
g
L
V
2
o
= C
o
_
0,40
_
1,25
A
o
A
n
_
+
4lf
d
o
+
_
1
A
o
A
n
_
2
_
(2.41)
Siendo,
C
o
= 1,09
_
d
o
l
_
0,25
Con l/d
o
en un rango de 0,2 2,0. Donde, h
D
es la cada de presi on en seco, g es la gravedad,
V
o
es la velocidad a trav es del oricio, C
o
es el coeciente del oricio, A
o
es el area del oricio,
A
n
es el area neta de la secci on transversal de la torre para el ujo del gas, l es el espesor del
plato, f es el factor de Fanning (Perry and Green, 1997) y d
o
es el area de los oricios.
25
estacionario
2.6.6. Cabeza hidr aulica
La profundidad equivalente al lquido claro, h
L
, es una estimaci on del valor que se obtendra
si la espuma formada por el lquido en la regi on perforada del plato, coalesciera. Este valor es
generalmente menor que la altura del derramadero de salida, y decrece al aumentar el ujo del
gas (Treybal, 1981).
h
L
= 6,10x10
3
+ 0,725h
W
0,238h
W
V
a
0,5
G
+ 1,225
q
z
(2.42)
Donde z es el ancho del ujo promedio, que puede tomarse como (T + W) /2. Siendo T, el
di ametro de la torre y W, la longitud del derramadero.
2.6.7. Cada de presi on del gas residual
La cada de presi on del gas residual h
R
, est a dada por la expresi on,
h
R
=
6
d
o
g
L
(2.43)
Donde, es la tensi on supercial, d
o
es el di ametro de los oricios y
L
es la densidad del
lquido.
2.6.8. P erdida de presi on en la entrada del lquido
El ujo del lquido debajo del vertedero cuando entra en el plato, provoca una p erdida de
presi on h
2
, que puede calcularse como el equivalente a tres cabezas de velocidad (Fair and
Green, 1997):
h
2
=
3
2g
_
q
A
do
_
2
(2.44)
Donde, A
do
es la menor de dos areas, la secci on transversal del vertedero o el area libre entre
el vertedero y el plato. La fricci on en el vertedero puede despreciarse.
2.6.9. Retroceso en el vertedero
La diferencia en el nivel del lquido dentro e inmediatamente afuera del vertedero h
3
, corres-
ponde a la suma de las p erdidas de presi on que resultan del ujo del lquido y del gas en el
plato superior.
h
3
= h
G
+h
2
(2.45)
26
estacionario
Un dise no seguro requiere que el nivel del lquido claro equivalente en el vertedero no sea
mayor de un medio del espaciamiento de los platos.
h
W
+h
ow
+h
3
<
t
2
Donde,teselespaciamientoentrelosplatos. (2.46)
2.6.10. Lloriqueo
Si la velocidad del gas a trav es de los oricios es muy peque na, el lquido gotear a a trav es
de ellos y se perder a el contacto sobre el plato para el lquido. Adem as, con platos de ujo
transversal el lquido no uye por toda la longitud del plato inferior. La velocidad mnima del
gas a trav es de los oricios V
ow
, se calcula a partir de la ecuaci on 2.47. Si la columna presenta
una velocidad menor, es probable un excesivo lloriqueo.
V
ow
G
g
c
= 0,0229
_

2
G
g
c
G
d
o
G
_
0,379
_
1
d
o
_
0,393
_
2A
o
d
o
3p
3
_
2,8/(Z/do)
0,734
(2.47)
2.7. Simulaci on columna de destilaci on binaria en estado estacionario
La columna de destilaci on dise nada para la separaci on del sistema etanol-agua se simula en
estado estacionario empleando el software Aspen Plus.
El modelo en estado estacionario sirve para determinar el comportamiento del proceso bajo
condiciones estacionarias, adem as, es la base para desarrollar el modelo din amico ya que su
validez depende en gran medida de lo bueno que sea el modelo estacionario desarrollado pre-
viamente.
2.7.1. Especicaciones
La columna de destilaci on a simular contiene 12 platos reales, un condensador total y un re-
hervidor, y una etapa de alimentaci on. Para la simulaci on, se asumen 14 etapas reales debido a
que Aspen Plus considera que el condensador y el rehervidor como etapas de equilibrio lquido-
vapor.
La numeraci on de las etapas se realiza desde la parte superior de la columna como se presenta
en la Figura. 2.12 y corresponde a:
La Etapa 1 corresponde al condensador total.
27
estacionario
Figura 2.12: Diagrama esquem atico de la columna de destilaci on binaria por etapas
La Etapa 2 corresponde al primer plato de la zona de recticaci on.
El plato de alimentaci on corresponde a la Etapa 12.
La etapa 13 corresponde al ultimo plato de la columna.
La Etapa 14 corresponde al rehervidor.
Para la simulaci on del proceso se empleo el modelo de una RadFrac, este modelo permite
el dise no y modelizaci on rigurosa de columnas de destilaci on simples. Los datos de entrada
empleados para realizar la simulaci on en Aspen Plus son:
Temperatura, presi on, ujo y composici on de la corriente de alimentaci on.
28
estacionario
Tipo de condensador, presi on en el condensador, n umero total de etapas y etapa de ali-
mentaci on a la columna.
La relaci on de reujo molar de 1,6 (cociente entre los ujos de reujo y de destilado), y
el ujo total de destilado 160kgmol/hr.
Modelo termodin amico
Tabla 2.1: Especicaciones columna de destilaci on
Par ametro Valor
Flujo Molar de Alimentaci on (kgmol/hr) 540.00
Fracci on Molar Etanol en la Corriente de Alimentaci on 0.25
Temperatura (K) 355.18
Presi on (bar) 1.01
Fracci on de Lquido 1
Flujo Molar de Destilado (kgmol/hr) 158
Fracci on Molar Etanol en el Destilado 0.82
Fracci on Molar Etanol en Fondos 0.01
Las especicaciones de entrada para la simulaci on de la columna de destilaci on se encuentran
reportadas en las Tabla. 2.1. En esta tabla se observa que la columna opera a presi on atmosf eri-
ca, la temperatura de entrada a la columna corresponde a la temperatura de burbuja de la mezcla
y la composici on de entrada fue seleccionada a partir de lo reportado en (Wooley et al., 1999).
Las fracciones molares de etanol en los productos de destilado y fondos se calculan a partir
del balance de masa global de la columna de destilaci on y las especicaciones de las composi-
ciones de los productos fueron las empleadas en la Secci on 2.4.1.
En la Tabla. 2.2, se encuentran reportados los resultados obtenidos en la simulaci on empleando
el software Aspen Plus. Se reportan los valores correspondientes a los ujos molares y m asicos
por componente y totales de cada una de las corrientes, adem as de la composici on m asica y
molar. La composici on molar de la corriente de alimentaci on es de 0,25, la del producto de
destilado de 0,81 y la de fondos de 0,02. La fracci on de lquido es igual a 1 en todas las cor-
rientes, esto indica que se encuentran en fase lquida. Tambi en se reportan datos de entalpa,
entropa, densidad molar y m asica de la mezcla y peso molecular promedio.
29
estacionario
Tabla 2.2: Resultados simulaci on columna de destilaci on binaria sistema etanol-agua en estado
estacionario
Alimentaci on Destilado Fondos
Flujo Molar Etanol (kgmol/hr) 135.00 127.41 7.59
Flujo Molar Agua(kgmol/hr) 405.00 30.59 374.41
Composici on Molar Etanol 0.25 0.81 0.02
Composici on Molar Agua 0.75 0.19 0.98
Flujo M asico Etanol (kg/hr) 6219.32 5869.49 349.84
Flujo M asico Agua (kg/hr) 16085.34 1215.09 14870.26
Composici on M asica Etanol 0.46 0.91 0.05
Composici on M asica Agua 0.54 0.09 0.95
Flujo Molar (kgmol/hr) 540.00 158.00 382.00
Flujo M asico (kg/hr) 13515.51 6420.64 7094.87
Flujo Volum etrico (m
3
/hr) 15.12 8.57 7.78
Temperatura (K) 355.18 351.31 367.36
Presi on (bar) 1.01 1.01 1.01
Fracci on de Lquido 1 1 1
Entalpa Molar (kJ/kgmol) -283481.00 -272651.80 -280313.20
Entalpa M asica (kJ/kg) -11326.23 -6709.45 -15092.55
Flujo de Entropa (kJ/kg) -153079738.78 -43079003.66 -107079659.14
Entropa Molar (kJ/kgmolK) -205.76 -288.60 -150.24
Entropa M asica (kJ/kgK) -8.22 -7.10 -8.09
Densidad Molar (kgmol/m
3
) 35.73 18.43 49.10
Densidad M asica (kg/m
3
) 894.17 748.83 911.89
Peso molecular promedio (kg/kgmol) 25.03 40.64 18.57
2.7.2. Perles de temperatura y ujos de la columna de destilaci on en estado
estacionario
Los perles de temperatura, ujo de lquido y ujo vapor que se obtienen de la simulaci on en
Aspen Plus, se reportan en la Tabla. 2.3. La columna de destilaci on opera a presi on atmosf erica
y es constante a lo largo de la columna.
30
estacionario
Tabla 2.3: Resultados de cada etapa simulaci on columna de destilaci on binaria sistema etanol-
agua en estado estacionario
Etapa Temperatura Q Flujo lquido Flujo Vapor y
Etanol
x
Etanol
K kJ/hr kgmol/hr kgmol/hr
1 351.3126 -16469452 256.0000 0.0000 0.8267 0.8060
2 351.4011 0 255.4009 416.0000 0.8060 0.7758
3 351.5037 0 254.8535 415.4009 0.7875 0.7473
4 351.6212 0 254.3260 414.8535 0.7699 0.7192
5 351.7574 0 253.8067 414.3260 0.7527 0.6905
6 351.9183 0 253.2681 413.8067 0.7352 0.6600
7 352.1147 0 252.6905 413.2681 0.7165 0.6262
8 352.3651 0 252.0190 412.6905 0.6959 0.5871
9 352.7020 0 251.2213 412.0190 0.6721 0.5394
10 353.1893 0 250.1588 411.2213 0.6431 0.4771
11 353.9689 0 248.6010 410.1587 0.6054 0.3891
12 355.3891 0 851.5162 408.6010 0.5524 0.2574
13 358.8806 0 844.9066 471.5162 0.4520 0.1025
14 368.2881 19412373.6 380.0000 464.9066 0.1733 0.0159
Las Figuras. 2.13 y 2.14, presentan el comportamiento en estado estacionario del ujo de va-
por y de la temperatura a lo largo de la columna. En estas gr acas la etapa 1 corresponde al
condensador, la etapa 12 a la etapa de alimentaci on y la etapa 14 al rehervidor, como se pre-
sento en la Figura. 2.12.
En la Figura. 2.13 se presenta el perl correspondiente al ujo de vapor, el cual es constante
desde la etapa 2 hasta la etapa 12, en la etapa 13 y 14 cambia por efectos del ujo de ali-
mentaci on y del balance en el rehervidor. La etapa 1 corresponde al condensador, por lo tanto
el ujo de vapor en esta etapa es cero.
En la Figura. 2.14, se presenta el perl de temperatura de la columna simulado en estado esta-
cionario, el perl es creciente desde la Etapa 1 a la 14, donde la Etapa 1 posee la temperatura
menor ya que en esta etapa el producto corresponde al componente m as vol atil y la etapa 14
el producto corresponde al componente pesado, por ende el valor de la temperatura es el mayor.
31
estacionario
Figura 2.13: Perl de ujos de la columna de destilaci on simulaci on en estado estacionario
Figura 2.14: Perl de temperatura de la columna de destilaci on simulaci on en estado esta-
cionario
2.8. Especicaciones hidr aulicas
De acuerdo con la secci on 2.6 y los resultados obtenidos de la simulaci on en estado esta-
cionario, las especicaciones hidr aulicas de la columna de destilaci on para el sistema etanol-
agua se resumen en la Tabla. 2.4.
La columna fue dise nada de forma tal que para cambios en los ujos de 30 %, la regi on
32
estacionario
Tabla 2.4: Especicaciones hidr aulicas de la columna de destilaci on para el sistema etanol-agua
Par ametro Valor
N umero total de platos 12
Plato de alimentaci on 11
Di ametro de la Columna (m) 1.75
Longitud del derramadero (m) 1.225
Espaciamiento entre platos (m) 0.6
Di ametro de los oricios (m) 0.0045
Distancia entre los centros de los oricios (m) 0.012
Espaciamiento entre platos (m) 0.6
Altura del derramadero (m) 0.06
Area Total del plato (m

2
) 2.4053
Area secci on transversal vertedero (m

2
) 0.21166
Area activa (m
2
) 1.76
de operaci on siga siendo satisfactoria, evitando el lloriqueo excesivo y el arrastre extremo de
lquido en el gas.
La Tabla 2.4, indica el n umero de platos que presenta la columna los cuales fueron calculados
por el m etodo de McCabeThiele, el ujo de alimentaci on ingresa a la columna en el plato
11. El di ametro de la columna para el ujo especicado (Ver Tabla. 2.1) es de 1,75m, el es-
paciamiento entre platos es de 0,6m, el di ametro de los oricios de 4,5mm y el area activa
de 1,76m
2
. En la tabla se encuentran otros datos como la longitud del derramadero, distancia
entre centros de los oricios, altura del derramadero, area total y area secciones transversal del
vertedero.
2.9. Conclusiones
En este captulo se realiz o una introducci on al dise no de columnas de destilaci on de platos
perforados en estado estacionario y se dise no una columna de destilaci on binaria para la sepa-
raci on del sistema etanolagua.
A partir de los requerimientos de la separaci on, de las condiciones de entrada y de las condi-
ciones de operaci on de la columna de destilaci on para la separaci on del sistema etanolagua,
33
estacionario
se simul o el proceso en estado estacionario utilizando el software Aspen Plus y se calcularon
las especicaciones hidr aulicas de la columna.
Los resultados obtenidos en estado estacionario corresponden a las condiciones iniciales para
el modelado y simulaci on de la columna en estado din amico.
34
Captulo 3
Modelado y simulaci on din amica de una
columna de destilaci on
En este captulo se presenta el modelado de una columna de destilaci on binaria de platos en
estado din amico y su respectiva simulaci on para la separaci on del sistema etanol-agua. El mo-
delo din amico de la columna de destilaci on binaria, posee algunas restricciones dadas prin-
cipalmente por el equilibrio termodin amico y la presencia de un aze otropo homog eneo en la
mezcla, tal como se mencion o en el Captulo 2 en la secci on 2.4.1.
La columna de destilaci on binaria considerada para el modelo din amico posee 12 platos, un
condensador total y un rehervidor. La columna de destilaci on posee una sola etapa de ali-
mentaci on (Plato 11), la cual divide la columna en dos secciones:
1) La secci on superior corresponde a la zona de recticaci on.
2) La secci on inferior a la zona de agotamiento.
Los productos de destilado D y de fondos B con fracciones molares de x
D
y x
B
, respectiva-
mente, son retirados continuamente de la columna. La fase de vapor es condensada totalmente
en el condensador y una fracci on de este ujo es recirculado a la columna en la primera etapa,
este ujo corresponde a L
D
. La corriente de fondos es introducida al rehervidor, en el cual una
parte es vaporizada e introducida nuevamente en la columna en la ultima etapa, ujo que es
denotado como V
R
.
El modelo matem atico se encuentra especicado para cada zona de la columna: zona de rec-
ticaci on, alimentaci on, agotamiento, rehervidor y condensador total, teniendo en cuenta el
balance de masa global y por componente, el balance de energa y el balance hidra ulico. Adi-
cional a estos balances, se tiene el equilibrio termodin amico, el cual est a denido por medio de
35
Captulo 3. Modelado y simulaci on din amica de una columna de destilaci on
una formulaci on .
De acuerdo con el modelo din amico, se desarrollaron tres planteamientos distintos con dife-
rentes grados de complejidad. Cada modelo es simulado en MatLab y los resultados obtenidos
se presentan al nal del captulo.
3.1. Suposiciones y consideraciones
El modelo matem atico planteado para la columna de destilaci on binaria, debe representar el
comportamiento din amico del proceso real, sin embargo, debido a la complejidad del modelo,
se realizan las siguientes suposiciones y consideraciones:
Todos los ujos de entrada y de salida de la torre se encuentran en fase lquida.
Alimentaci on en un unico plato.
No hay p erdidas de calor, es decir que la columna es adiab atica.
El condensador es total, por lo tanto, la composici on del vapor que abandona la columna
por cabeza ser a la misma que la de la corriente de reujo y destilado.
El lquido acumulado en cada plato es incompresible y se encuentra como una mezcla
perfecta (la composici on es la misma en todos los puntos).
Las fases lquida y vapor que abandonan el plato se encuentran en equilibrio t ermico.
Se considera que la presi on a lo largo de la columna es constante.
La acumulaci on de materia en fase vapor es nula.
Cada plato es considerado con una eciencia del 100 %.
La fase vapor y la fase lquida se consideran no ideales y se emplea la ecuaci on de
PengRobinson para el calculo de los coecientes de fugacidad y UNIFACpara el c alcu-
lo de los coecientes de actividad.
Se desprecia el tiempo muerto en la corriente de vapor que va desde el ultimo plato de la
columna hasta el condensador, y tambi en en la corriente de retorno del reujo a la cabeza
de la torre.
36
Las variaciones de masa con respecto al tiempo en el condensador y en el rehervidor son
iguales a cero.
No se considera acumulaci on de vapor a lo largo del sistema.
A continuaci on se presentan los balances para cada etapa y el m etodo de c alculo, los ujos se
encuentran en base molar.
El estudio esquem atico de la columna se divide en cuatro zonas: recticaci on, alimentaci on,
agotamiento, rehervidor y condensador.
3.2. Balances de materia
3.2.1. Balances zona de recticaci on y de agotamiento
Una etapa de la columna de destilaci on posee dos partes, la primera corresponde al plato en el
cual se lleva a cabo el contacto entre el lquido y el vapor, y el derramadero por el cual uye el
lquido de un plato superior a uno inmediatamente inferior.
En la Figura 3.1 se presenta el diagrama esquem atico de una etapa de contacto n, para la cual
el balance de masa global y por componente corresponde a:
Balance de masa global,
dM
Tn
dt
= L
n1
+V
n+1
L
n
V
n
(3.1)
Figura 3.1: Diagrama balance din amico de materia etapa de contacto n
37
Donde, M
Tn
es la masa molar retenida en el plato n, L es el ujo molar de lquido y V el ujo
molar de vapor.
Balance de masa por componente
d (M
Tn
x
n
)
dt
= L
n1
x
n1
+V
n+1
y
n+1
L
n
x
n
V
n
y
n
(3.2)
Donde, M
Tn
es la masa retenida en el plato n, V es el ujo molar de vapor, L es el ujo molar
de lquido, x es la composici on molar de lquido y y es la composici on molar de vapor. En
la Figura. 3.1 se presenta el diagrama del balance de masa din amico alrededor de la etapa de
contacto n.
3.2.2. Balance etapa de alimentaci on
El balance de masa global y por componente para la etapa de Alimentaci on (Figura. 3.2), son
de la forma:
dM
Tn
dt
= L
n1
+V
n+1
+F L
n
V
n
(3.3)
Donde, M
Tn
de lquido y F el ujo molar de alimentaci on.
Balance de masa por componente
d (M
Tn
x
n
)
dt
= L
n1
x
n1
+V
n+1
y
n+1
+Fz
F
L
n
x
n
V
n
y
n
(3.4)
Figura 3.2: Diagrama balance din amico de materia etapa de alimentaci on n
38
Donde, M
Tn
de lquido, F el ujo molar de alimentaci on, z
F
la composici on molar de alimentaci on, x es
la composici on molar de lquido y y es la composici on molar de vapor. En la Figura. 3.2 se
presenta el diagrama del balance din amico de masa alrededor de la etapa de alimentaci on n.
3.2.3. Balance condensador
dM
D
dt
= V
2
L
1
D (3.5)
Donde, M
D
es la masa molar retenida en el condensador, V
2
es el ujo de vapor que entra al
condensador, L
1
el ujo molar de lquido que recircula a la columna y D el ujo molar de
destilado. Balance de masa por componente
dM
D
x
D
dt
= V
2
y
2
L
1
x
D
Dx
D
(3.6)
Donde, M
D
es la masa molar retenida en el condensador, V
2
es el ujo de vapor que entra
al condensador, L
1
el ujo molar de lquido que recircula a la columna, D el ujo molar de
destilado, x
D
la composici on molar de destilado y y es la composici on molar de vapor.
3.2.4. Balance rehervidor
Balance de masa global
dM
B
dt
= L
n1
B V
n
(3.7)
Donde, M
B
es la masa molar retenida en el rehervidor, B el ujo molar de fondos, L el ujo
molar de lquido y V el ujo molar de vapor. Balance de masa por componente
dM
B
x
B
dt
= L
n1
x
n1
Bx
B
V
n
y
n
(3.8)
Donde, M
B
es la masa molar retenida en el rehervidor, B el ujo molar de fondos, L el ujo
molar de lquido, V el ujo molar de vapor, x
B
la composici on molar de fondos y y es la
composici on molar de vapor.
39
3.3. Balance hidr aulico
La masa total retenida en un plato n (M
Tn
), esta dada por la masa de lquido retenida por el
plato M
cl
, la del derramadero M
dc
y la masa retenida del vapor M
V
(Roffel and Betlem, 1996).
La masa retenida del vapor es despreciada asumiendo que no hay acumulaci on de vapor a lo
largo de la columna, por lo tanto,
M
Tn
= M
cl
+M
dc
+M
V
M
cl
+M
dc
(3.9)
La masa de lquido retenida por el plato M
cl
es expresada por,
M
cl
= h
cl
A
a
L
N
m,L
(3.10)
Donde, h
cl
es la altura del lquido claro, A
a
es el area activa,
L
N
m,L
es el peso molecular de la mezcla lquida.
M
dc
= ((h
D
+h
L
+h
R
) A
d
+A
d
h
cl
)

L
N
m
(3.11)
Donde, h
D
es la cada de presi on del gas, h
L
es la cada de presi on del gas debido a la retenci on
del lquido sobre el plato, h
R
es la cada de presi on del gas residual, A
d
es el area de secci on
transversal del vertedero, A
a
es el area activa,
L

N
m
es el peso
molecular promedio de la mezcla.
La masa retenida en el plato est a relacionada directamente con el volumen del lquido, el cual
es el resultado del dise no del plato y de la conguraci on de las variables manipuladas: ujo
de lquido y ujo de vapor, por lo cual, para efectos de dise no son consideradas las siguientes
suposiciones (Roffel and Betlem, 1996):
La cada de presi on en la zona de estancamiento del derramadero es despreciable.
La densidad del lquido de la bandeja es igual a la del lquido del derramadero.
El derramadero no es aireado.
Por lo tanto, la masa total retenida en el plato corresponde a:
M
Tn
= [h
cl
(A
a
+ 2A
d
) +h
D
A
d
]

L
N
m
(3.12)
40
Realizando el desarrollo matem atico presentado por (Roffel and Betlem, 1996), nalmente se
obtiene que:
M
Tn
=
(h
w
(A
a
+ 2A
d
))
L
N
m
+
C
ow
N
m
_

N
m
L
n
_
2/3
+C
dry
V
n
2
m,V
(3.13)
A partir de 3.13 el ujo de lquido se puede calcular como:
L
n
=
__
M
Tn
C
dry
Vn
2
m,V
(hw(Aa+2A
d
))
L
Nm
_

Nm
Cow
_
3/2
N
m
(3.14)
3.4. Balances de energa
El balance de energa para la etapa de contacto n empleando las entalpas de todas las corrientes
de vapor y el lquido se puede expresar como:
dh
tot,n
dt
= L
n1
H
L,n1
+V
n+1
H
V,n+1
L
n
H
V,n
V
n
H
L,n
(3.15)
Sin embargo, la entalpa en cada etapa se asume como constante. El lado derecho de la ecuaci on
3.15, es igual a cero, por lo tanto el balance de energa queda reducido a una ecuaci on alge-
braica. El perl de temperatura a lo largo de la columna corresponde a la temperatura de burbuja
calculada en el equilibrio termodin amico (Mahdipoor, 2006).
Con la temperatura en cada plato, son evaluadas las entalpas y se calculan los ujos de vapor
a partir de la siguiente expresi on,
V
n
=
L
n1
H
L,n1
+V
n+1
H
V,n+1
L
n
H
V,n
H
L,n
(3.16)
La simplicaci on de hacer constante la entalpa con respecto al tiempo en cada etapa, se realiza
con el n de disminuir la complejidad de la soluci on del problema, disminuyendo el tiempo de
computo y evitando una divergencia en los c alculos.
3.5. Relaci on de equilibrio
Asumiendo que el vapor y el lquido que abandonan cada etapa se encuentran en equilibrio, la
relaci on de equilibrio que existe entre las concentraciones de la fase lquida y vapor se calcula
a partir de la expresi on en funci on de la volatibilidad relativa:
y
i
=
x
i
1 + ( 1)x
i
(3.17)
41
Donde,
ij
es la volatilidad relativa del componente i con respecto al componente j, x y y
son las concentraciones en el equilibrio del componente m as vol atil.

La volatilidad relativa es una herramienta usada para determinar la facilidad y viabilidad de la
separaci on de una mezcla por destilaci on.
3.6. Modelo din amico de la columna de destilaci on binaria
Para la simulaci on del modelo din amico de la columna de destilaci on binaria el ujo de recir-
culaci on y el ujo del rehervidor son constantes, los ujos de destilado y fondos se calculan
a partir del balance de masa, y las composiciones de destilado y fondos son variantes con el
tiempo.
El nivel del lquido en el condensador y en el rehervidor se asumen constantes, es decir, que
las variaciones de masa con respecto al tiempo en el condensador y el rehervidor son iguales a
cero. Esta simplicaci on es aceptable debido a que en las columnas industriales, estas unidades
poseen un sistema de control de nivel apropiado (Luyben, 1996, Mahdipoor, 2006).
Las condiciones de operaci on de la columna y las especicaciones corresponden a las condi-
ciones obtenidas del dise no y simulaci on de la columna en estado estacionario que se presen-
taron en el Captulo 2 en la Secci on 2.7. Con las especicaciones de ujo de alimentaci on,
fracci on molar, ujos de destilado y fondos, y n umero de etapas, el dise no de la columna se
puede realizar por m etodos tpicos (Kister, 1992, Ludwig, 2001). Las eciencias de los platos
se asumen iguales a la unidad.
3.6.1. Modelo I
Modelo riguroso de la columna de destilaci on binaria. Tiene en cuenta los balances globales
y por componente, se asumen ujos de lquido y de vapor variables a lo largo de la columna
y se tiene en cuenta el equilibrio termodin amico. La soluci on de este modelo corresponde a la
soluci on simult anea de:
1) Ecuaciones diferenciales: obtenidas a partir de los balances de masa globales y por compo-
nente en cada uno de los platos, en el condensador y en el rehervidor (ecuaciones 3.1 3.8).
2) Ecuaciones algebraicas: corresponden al balance para el calculo del ujo de vapor que
se asume no constante a lo largo de la columna, se calcula a partir del balance de energa
(ecuaci on 3.16) y al balance para el calculo del ujo de lquido obtenido del balance hidr aulico
42
(ecuaci on3.14).
3) Relaciones de equilibrio termodin amico: expresi on 3.17 bajo una formulaci on .
Estas ecuaciones describen un modelo complejo con 66 ecuaciones: 28 ecuaciones diferen-
ciales, 24 ecuaciones algebraicas y 14 relaciones de equilibrio termodin amico (ecuaci on 3.17).
Para la soluci on de este modelo se tomaron como condiciones iniciales los valores de estado
estacionario obtenidos de la simulaci on de la columna de destilaci on para el sistema binario
(etanol-agua) empleando Aspen Plus (Ver Captulo 2 Secci on 2.2). En la Tabla 3.1 se especi-
can los valores iniciales de masa retenida y composici on molar de etanol en la fase lquida para
la soluci on num erica del modelo.
Tabla 3.1: Condiciones iniciales para la simulaci on din amica del modelo de la columna de
destilaci on
Etapa Fracci on Molar Etanol Masa Retenida
x
Etanol
M
T
(kgmol)
1 0.8060 10.0000
2 0.7758 1.3219
3 0.7473 1.3383
4 0.7192 1.3552
5 0.6905 1.3732
6 0.6600 1.3936
7 0.6262 1.4176
8 0.5871 1.4480
9 0.5394 1.4895
10 0.4771 1.5535
11 0.3891 1.6730
12 0.2574 2.3508
13 0.1025 3.6787
14 0.0159 10.0000
43
3.6.2. Modelo II
El modelo II corresponde a un modelo simplicado del modelo I, el cual involucra 14 ecua-
ciones diferenciales, 26 ecuaciones algebraicas y 14 relaciones de equilibrio termodin amico
3.17, dando como resultado un modelo de complejidad con 54 ecuaciones. Las expresiones
que involucra el modelo son:
1) Ecuaciones diferenciales: obtenidas a partir de los balances por componente en cada uno de
los platos, en el condensador y en el rehervidor (ecuaciones 3.2, 3.6 y 3.8).
2) Ecuaciones algebraicas: corresponden al balance para el calculo del ujo de vapor que
se asume no constante a lo largo de la columna, se calcula a partir del balance de energa
(ecuaci on 3.16) y al balance para el calculo del ujo de lquido obtenido del balance hidr aulico
(ecuaci on3.14). Se asume que las variaciones de masa con respecto al tiempo son iguales a
cero, por lo tanto, las expresiones algebraicas que denen la masa retenida son: 3.18, 3.19 y
3.20.
Balance Global por Etapa
dM
Tn
dt
= 0 L
n1
+V
n+1
L
n
V
n
= 0 L
n
= L
n1
+V
n+1
V
n
(3.18)
Balance Global Condensador
dM
D
dt
= 0 V
2
L
1
D = 0 D = V
2
L
1
(3.19)
Balance Global Rehervidor
dM
B
dt
= 0 L
n1
B V
n
= 0 B = L
n1
V
n
(3.20)
Las condiciones iniciales de las variables de estado corresponden a las condiciones iniciales
para la fracci on molar de etanol presentadas en la Tabla. 3.1, valores obtenidos de la simulaci on
de la columna en estado estacionario. 3) Relaciones de equilibrio termodin amico: expresi on
3.17 bajo una formulaci on .
3.6.3. Modelo III
El Modelo III corresponde a un modelo simplicado del Modelo II, el cual involucra 14 ecua-
ciones diferenciales, 4 ecuaciones algebraicas y 14 relaciones de equilibrio termodin amico
3.17, dando como resultado un modelo de menor grado de complejidad con 32 ecuaciones.
44
Las ecuaciones empleadas para la soluci on de este modelo son: 1) Ecuaciones diferenciales:
balances por componente en cada uno de los platos, en el condensador y en el rehervidor (ecua-
ciones 3.2, 3.6 y 3.8).
2) Ecuaciones algebraicas: expresi on para el calculo del ujo de vapor que se asume constante
a lo largo de la columna y expresi on para el calculo del ujo de lquido (constante a lo largo de
la columna). Se asume que las variaciones de masa con respecto al tiempo son iguales a cero
(ecuaciones 3.18, 3.19 y 3.20).
3) Relaciones de equilibrio termodin amico: expresi on 3.17 bajo una formulaci on .
En este modelo los ujos molares se asumen constantes, el balance de energa no se tiene en
cuenta. Las ecuaciones diferenciales del modelo deben adaptarse a la notaci on presentada en la
ecuaci on 3.21. Se asume que el ujo de vapor es igual para todas las etapas desde 1 hasta n.
V
n
=
V n = 1, 2, ..., 14
L
n
=
_
_
_
L n = 1, 2, ..., 11
L +F n = 12, ..., 14
(3.21)
Las condiciones iniciales de las variables de estado corresponden a las condiciones iniciales
para la fracci on molar de etanol presentadas en la Tabla. 3.1.
3.7. An alisis comparativo de los modelos
Los modelos planteados en la secci on 3.6 poseen diferentes grados de complejidad, en la Tabla.
3.2 se presenta el resumen de la cantidad de ecuaciones diferenciales, ecuaciones algebraicas
y relaciones de equilibrio termodin amico, necesarios para la soluci on num erica de cada uno de
los modelos con el n de dar una vista general del problema a solucionar.
Tabla 3.2: Visi on general de la complejidad de los modelos
Modelo Orden y Tipo No. Ecuaciones No. Ecuaciones No. Relaciones
Diferenciales Algebraicas Termodin amicas
I 66 DAE 28 24 14
II 54 DAE 14 26 14
III 32 DAE 14 4 14
45
3.7.1. Comportamiento din amico de los modelos
El an alisis comparativo de los modelos se realiza observando el comportamiento del sistema en
lazo abierto. El sistema de ecuaciones de cada uno de los modelos se resuelve num ericamente
utilizando la rutina ode15s de MatLab, la cual es conveniente para problemas rgidos que re-
quieren de una precisi on moderada (Shampine and Reichelt, 1997).
La Tabla. 3.3 reporta los resultados de los valores de estado estacionario alcanzados a partir de
la simulaci on din amica del Modelo I. En la Figura 3.3 se presenta el comportamiento din amico
de la composici on molar de etanol en el destilado y en fondos con respecto al tiempo, obtenido
de la soluci on num erica del Modelo I. La composici on molar de destilado es de 0,817 y la
composici on molar de fondos de 0,011 en el estado estacionario. En la Figura. 3.4 se presenta
el comportamiento din amico de la masa retenida en cada uno de los platos, se observa que el
Tabla 3.3: Estado estacionario alcanzado en la simulaci on din amica de la columna de desti-
laci on empleando el Modelo I
Modelo I
Etapa L(kgmol/hr) V (kgmol/hr) x
etanol
M
T
(kgmol) T(K)
1 256.00 0.00 0.819 10.000 350.769
2 255.59 415.40 0.791 1.294 350.855
3 255.16 414.99 0.765 1.308 350.950
4 254.81 414.56 0.740 1.321 351.056
5 254.64 414.21 0.714 1.336 351.175
6 254.88 414.04 0.688 1.351 351.314
7 256.03 414.28 0.658 1.369 351.482
8 259.13 415.43 0.624 1.392 351.697
9 266.31 418.53 0.580 1.424 351.997
10 281.81 425.71 0.518 1.476 352.465
11 314.48 441.22 0.420 1.585 353.317
12 851.47 473.88 0.250 2.193 355.182
13 845.52 470.89 0.093 3.411 359.122
14 380.61 464.91 0.011 10.000 369.397
46
Figura 3.3: Comportamiento din amico de la composici on molar de etanol - Modelo I
plato 12 correspondiente al ultimo plato de columna posee la mayor cantidad de masa retenida.
La Tabla. 3.4 presenta los resultados de los valores de estado estacionario alcanzados a par-
Figura 3.4: Comportamiento din amico de masa retenida en cada uno de los platos - Modelo I
tir de la simulaci on din amica del Modelo II y en la Figura 3.5 se presenta el comportamiento
din amico de la composici on molar de etanol en el destilado y en fondos con respecto del tiempo
obtenido de la soluci on num erica del Modelo II. En esta simulaci on la composici on molar de
destilado alcanzada en el estado estacionario corresponde a un valor de 0,820 y la composici on
47
laci on empleando el Modelo II
Modelo II
etanol
T(K)
1 256.00 0.00 0.820 350.769
2 255.50 415.29 0.791 350.857
3 255.00 414.78 0.763 350.957
4 254.52 414.29 0.737 351.071
5 254.02 413.81 0.710 351.200
6 253.48 413.30 0.681 351.351
7 252.85 412.77 0.650 351.533
8 252.14 412.14 0.614 351.761
9 251.17 411.42 0.571 352.060
10 250.89 410.46 0.517 352.478
11 373.91 410.18 0.442 353.116
12 852.18 533.20 0.245 355.244
13 845.62 471.46 0.084 359.635
14 380.71 464.91 0.012 369.338
molar de fondos de 0,012.
La Tabla. 3.5 muestra los resultados de los valores de estado estacionario alcanzados a partir
de la simulaci on din amica del Modelo III. La Figura 3.6 presenta el comportamiento din amico
de la composici on molar de etanol en el destilado y en fondos con respecto al tiempo, datos
obtenidos a partir de la soluci on num erica del Modelo III. La composici on molar de destilado
es de 0,817 y la composici on molar de fondos de 0,011 en el estado estacionario.
Con el n de observar gr acamente las diferencias entre los resultados del estado estacionario
(Tablas. 3.3,3.4 y 3.5) alcanzado en las simulaciones de los modelos din amicos propuestos
(Modelo I, Modelo II y Modelo III), se presentan las Figuras. 3.7 y 3.8. En la Figura. 3.7, se
presenta el perl de la composici on molar de etanol, el perl de masa retenida en cada uno de
los platos y el perl de temperatura y en la Figura. 3.8, se presentan los perles del ujo molar
de lquido y vapor a lo largo de la columna cuando es alcanzado el estado estable.
48
Figura 3.5: Comportamiento din amico de la composici on molar de etanol - Modelo II
Figura 3.6: Comportamiento din amico composici on molar de etanol - Modelo III
En la Figura. 3.7 se observa que los perles de composici on de etanol y temperatura de los
Modelos I y II, son bastante similares en comparaci on con el perl presentado por el Mode-
lo III, sin embargo, los valores alcanzados en el estado estacionario en los tres modelos son
aproximados.
En el perl de la Figura. 3.7 correspondiente a la masa retenida en cada una de los platos se
puede apreciar que cuando la masa retenida con respecto al tiempo es variable (Modelo I), se
presenta una variaci on relativamente baja comparada con los modelos en los cuales se asume
49
laci on empleando el Modelo III
Modelo III
etanol
T(K)
1 256 0 0.817 350.775
2 256 416 0.787 350.869
3 256 416 0.759 350.976
4 256 416 0.730 351.099
5 256 416 0.702 351.241
6 256 416 0.671 351.410
7 256 416 0.636 351.618
8 256 416 0.595 351.888
9 256 416 0.545 352.260
10 256 416 0.477 352.810
11 256 416 0.378 353.728
12 796 416 0.226 355.514
13 796 416 0.077 360.047
14 380 416 0.011 369.480
constante con respecto al tiempo (Modelo II y III).
En la Figura. 3.8 se observa que los ujos alcanzados por cada modelo presentan una mayor
divergencia alrededor de la etapa de alimentaci on afectando el ujo de las etapas pr oximas a
esta. En las dem as etapas el comportamiento de los ujos es muy similar.
3.7.2. Comportamiento din amico de los modelos en presencia de perturbaciones
Debido a que una columna de destilaci on binaria se encuentra expuesta a variaciones en el ujo
de recirculaci on de lquido (L
D
), el ujo de vapor del rehervidor (V
R
), el ujo de alimentaci on
(F) y la composici on de alimentaci on (z
F
). Se analiz o el comportamiento din amico del sistema
evaluando el estado estacionario alcanzado con los modelos I, II y III, al realizar variaciones
en cada uno de los par ametros que afectan el sistema.
En las Figuras. 3.9 y 3.10, se muestran los perles de composici on de etanol, ujo de lquido
50
Figura 3.7: Perl de composici on y temperatura del estado estacionario alcanzado en la simu-
laci on din amica
Figura 3.8: Perl de ujos del estado estacionario alcanzado en la simulaci on din amica
y ujo de vapor en el punto de equilibrio alcanzado en la soluci on num erica de los tres mode-
los con variaci on en el ujo de alimentaci on. El cambio en el ujo de alimentaci on se realiza
51
Figura 3.9: Perl de composici on, ujo de lquido (L) y ujo de vapor (V ) con un escal on de
+20 % F
20 % F
aumentando y disminuyendo el ujo de alimentaci on en un 20 % con respecto al valor para el
cual est a dise nada la columna (540 kgmol/hr).
En las Figuras. 3.9 y 3.10, se observa que el comportamiento de los perles de la composici on
52
+20 % z
F
20 % z
F
molar de etanol son muy aproximados. Los perles de lquido y vapor divergen alrededor de la
etapa de alimentaci on, especialmente en la etapa 12 empleando el Modelo II con variaci on de
20 % F.
53
+20 % en L
D
Las Figuras. 3.11 y 3.12, exhiben los perles del estado estacionario alcanzado variando la
composici on de alimentaci on. El cambio para estas gr acas se realiz o aumentando y dismin-
uyendo la composici on en un 20 % con respecto a la composici on de alimentaci on para el cual
est a dise nada la columna (0,25). Se observa que el comportamiento de los perles de la com-
posici on molar de etanol son muy similares. Los perles de lquido y vapor al igual que en
los perles que describen la variaci on de 20 % F, presentan una divergencia alrededor de la
etapa de alimentaci on, con una mayor incidencia en el ujo de vapor.
Los perles obtenidos al realizar variaciones en el ujo de recirculaci on de lquido y el ujo
de vapor del rehervidor son presentados en las Figuras 3.13 3.16. Las variaciones efectuadas
para estos par ametros se realiza aumentando y disminuyendo los ujos en un 20 % con respec-
to a los ujos para los cuales est a dise nada la columna.
En las Figuras. 3.13 y 3.14 se observa el comportamiento del estado estacionario alcanzado
simulando el sistema din amico con los modelos I,II y III, con variaciones en el ujo de recircu-
laci on. El comportamiento de los perles de composici on y ujo de lquido, obtenidos a partir
de la simulaci on con los Modelos I y III, son muy similares en comparaci on con el presentado
por el Modelo II. El comportamiento del perl de ujo de vapor en los tres modelos diverge
alrededor de la etapa de alimentaci on.
54
20 % en L
D
+20 % en V
R
En las Figuras. 3.15 y 3.16 se presenta el comportamiento de los perles de estado estacionario
al variar el ujo de vapor del rehervidor. Los perles presentan una variaci on alrededor de la
55
20 % en V
R
etapa de alimentaci on, sin embargo, este comportamiento en comparaci on con las variaciones
en otros par ametros no es tan signicativo. Los perles de composici on y de ujo de vapor
del Modelo III, se alejan en cierto grado del comportamiento de los perles de los otros dos
modelos.
Los estados estacionarios alcanzados en la simulaci on din amica de la columna de destilaci on
binaria, empleando los modelos I, II y III, presentan un comportamiento aproximado teniendo
en cuenta que cada modelo presenta un nivel de complejidad diferente.
El estado estacionario alcanzado al realizar la soluci on num erica de los modelos din amicos
ante variaciones de ujo de alimentaci on, composici on de alimentaci on, ujo de recirculaci on
y el ujo del rehervidor, presenta un comportamiento muy similar, por lo tanto, debido a la
simplicidad del modelo y con el n de disminuir el tiempo computacional, el Modelo III es un
modelo no lineal aceptable para dise nar el algoritmo de control.
3.8. Conclusiones
En este captulo se realiz o el modelado din amico de la columna de destilaci on binaria para la
mezcla etanolagua. Para obtener dicho modelo se realizaron ciertas suposiciones y consid-
56
eraciones con el n de disminuir la complejidad del modelo, debido a la presencia de ciertas
restricciones dadas principalmente por el equilibrio t ermodin amico.
Se propusieron tres modelos din amicos para representar el proceso de la columna de desti-
laci on, los cuales dieren entre s por el grado de complejidad presentado debido a las suposi-
ciones y consideraciones adoptadas.
Se analiz o el comportamiento din amico de los tres modelos ante perturbaciones en el ujo
de alimentaci on, composici on de alimentaci on, ujo de recirculaci on y ujo de vapor y se
evalu o el punto de equilibrio alcanzado. En los resultados obtenidos a partir de este an alisis
muestran que la diferencia en la respuesta al emplear cada uno de los modelos es muy similar.
A partir de estos resultados se concluy o que el modelo de menor orden de complejidad da una
representaci on aceptable de la planta y se seleccion o para desarrollar el algoritmo de control
debido a su simplicidad, con el n de disminuir en el tiempo de computo.
57
Captulo 4
An alisis din amico del modelo de una columna
de destilaci on
En este captulo se analiza la estabilidad de los puntos de equilibrio del sistema din amico no
lineal de la columna de destilaci on binaria, empleando el concepto de estabilidad en el sentido
de Lyapunov. El procedimiento corresponde al m etodo indirecto de Lyapunov, el cual se basa
en la expansi on de la funci on no lineal en series de Taylor alrededor del punto de equilibrio y
la retenci on solo del t ermino lineal.
La estabilidad es una de las caractersticas m as importantes de los sistemas din amicos y su
an alisis permite obtener informaci on acerca del comportamiento del sistema no lineal.
La din amica de los sistemas no lineales presenta ciertos fen omenos que no se evidencian al
estudiar los sistemas lineales (Khalil, 1996), tales como la existencia de m ultiples puntos de
equilibrio aislados. Un sistema lineal puede tener un solo punto de equilibrio aislado, y por
lo tanto un solo estado estacionario; si el punto de equilibrio es asint oticamente estable atrae
al estado del sistema independientemente del estado inicial. Por el contrario, los sistemas no
lineales pueden tener varios puntos de equilibrio, y la convergencia a uno estable depende del
estado inicial.
4.1. Teorema de Estabilidad de Lyapunov
Considerando el sistema no lineal, (Khalil, 1996, Vidyasagar, 1993)
x = f(x) (4.1)
Donde f : D R
n
es un mapeo localmente Lipschitz desde un dominio D R
n
en R
n
.
Sup ongase que x D es un punto de equilibrio de 4.1, es decir, f( x) = 0. Por conveniencia,
58
Captulo 4. An alisis din amico del modelo de una columna de destilaci on
se asume que x = 0 (esto no hace perder generalidad porque, si no es as, se dene y = x x
y y = g(y), donde g(y)

= f (y + x), tiene un equilibrio en el origen).
Suponiendo que el origen x = 0 est a en el interior de D y es un punto de equilibrio del sistema;
es decir f(0) = 0, por el teorema del valor medio
f
i
(x) = f
i
(0) +
f
i
x
(z
i
) x (4.2)
Donde z
i
es un punto sobre el segmento de lnea que conecta x al origen. La igualdad 4.2 vale
para todo punto x D tal que el segmento de lnea que conecta x al origen est e totalmente
contenido en D.
Por lo tanto,
f(x) = Ax +g(x) (4.3)
donde,
A =
f
x
(0) (4.4)
g
i
(x) =
_
f
i
x
(z
i
)
f
i
x
(0)
_
x (4.5)
4.1.1. M etodo indirecto de Lyapunov
El m etodo indirecto de Lyapunov da condiciones para determinar la estabilidad del origen del
sistema no lineal, a trav es del estudio de la estabilidad del sistema linealizado.
Teorema 4.1. Sea x = 0 un punto de equilibrio del sistema no lineal,
x = f(x) (4.6)
donde f : D R
n
es una funci on continuamente diferenciable y D R
n
es un entorno del
origen. Sea
A =
f
x
(x)
x=0
(4.7)
Entonces,
1. El origen es asint oticamente estable si todos los valores propios de A tienen parte real
negativa.
2. El origen es inestable si uno o m as valores propios de A tiene parte real positiva.
59
4.2. C alculo de los puntos de equilibrio
El sistema din amico a considerar es un sistema aut onomo que presenta un n umero nito de
ecuaciones diferenciales ordinarias acopladas.
x
1
= f
1
(x
1
, x
2
..., x
14
)
x
2
= f
2
(x
1
, x
2
..., x
14
)
.
.
.
x
14
= f
14
(x
1
, x
2
..., x
14
)
(4.8)
Donde, f
1
, f
2
, ...f
14
,son funciones continuas y con derivadas parciales continuas en todo el
plano (Khalil, 1996).
Este sistema se analiza determinando el punto de equilibrio, el cual es denido como un punto
donde los estados del sistema permanecen, siempre y cuando no haya una fuerza externa ac-
tuando sobre ellos, esto implica que x = 0 (Slotine and Li, 1991). A partir de las ecuaciones
diferenciales presentadas en el Captulo 3 secci on 2.7 y con las simplicaciones consideradas
en la subseccci on 3.6.3, e igualando a cero el lado derecho, son calculados los puntos de equi-
librio, teniendo:
f
1
(x
1
, x
2
..., x
14
) = 0
f
2
(x
1
, x
2
..., x
14
) = 0
.
.
.
f
14
(x
1
, x
2
..., x
14
) = 0
(4.9)
Por lo tanto,
60
_
_
x
1
= 0
1
M
D
_
V
R
_

2
x
2
1+(
2
1)x
2
x
1
__
= 0
x
2
= 0
1
M
T1
_
L
D
(x
1
x
2
) +V
R
_

3
x
3
1+(
3
1)x
3

2
x
2
1+(
2
1)x
2
__
= 0
x
3
= 0
1
M
T2
_
L
D
(x
2
x
3
) +V
R
_

4
x
4
1+(
4
1)x
4

3
x
3
1+(
3
1)x
3
__
= 0
x
4
= 0
1
M
T3
_
L
D
(x
3
x
4
) +V
R
_

5
x
5
1+(
5
1)x
5

4
x
4
1+(
4
1)x
4
__
= 0
x
5
= 0
1
M
T4
_
L
D
(x
4
x
5
) +V
R
_

6
x
6
1+(
6
1)x
6

5
x
5
1+(
5
1)x
5
__
= 0
x
6
= 0
1
M
T5
_
L
D
(x
5
x
6
) +V
R
_

7
x
7
1+(
7
1)x
7

6
x
6
1+(
6
1)x
6
__
= 0
x
7
= 0
1
M
T6
_
L
D
(x
6
x
7
) +V
R
_

8
x
8
1+(
8
1)x
8

7
x
7
1+(
7
1)x
7
__
= 0
x
8
= 0
1
M
T7
_
L
D
(x
7
x
8
) +V
R
_

9
x
9
1+(
9
1)x
9

8
x
8
1+(
8
1)x
8
__
= 0
x
9
= 0
1
M
T8
_
L
D
(x
8
x
9
) +V
R
_

10
x
10
1+(
10
1)x
10

9
x
9
1+(
9
1)x
9
__
= 0
x
10
= 0
1
M
T9
_
L
D
(x
9
x
10
) +V
R
_

11
x
11
1+(
11
1)x
11

10
x
10
1+(
10
1)x
10
__
= 0
x
11
= 0
1
M
T10
_
L
D
(x
10
x
11
) +V
R
_

12
x
12
1+(
12
1)x
12

11
x
11
1+(
11
1)x
11
__
= 0
x
12
= 0
1
M
T11
_
L
D
x
11
(L
D
+F) x
12
+V
R
_

13
x
13
1+(
13
1)x
13

12
x
12
1+(
12
1)x
12
_
+Fz
F
_
= 0
x
13
= 0
1
M
T12
_
(L
D
+F) (x
12
x
13
) +V
R
_

14
x
14
1+(
14
1)x
14

13
x
13
1+(
13
1)x
13
__
= 0
x
14
= 0
1
M
B
_
(L
D
+F) (x
13
x
14
) +V
R
_
x
14

14
x
14
1+(
14
1)x
14
__
= 0
De las ecuaciones anteriores se tiene que el punto de equilibrio debe satisfacer las expresiones
4.10. Debido a que la soluci on es no trivial, y las ecuaciones se encuentran acopladas, los val-
ores de los estados de equilibrio son resueltos num ericamente empleando el M etodo de Newton
61
Raphson.
_
_
x
1
=
_

2
x
2
1+(
2
1) x
2
_
L
D
x
2
+V
R
_

2
x
2
1+(
2
1) x
2
_
= L
D
x
1
+V
R
_

3
x
3
1+(
3
1) x
3
_
L
D
x
3
+V
R
_

3
x
3
1+(
3
1) x
3
_
= L
D
x
2
+V
R
_

4
x
4
1+(
4
1) x
4
_
L
D
x
4
+V
R
_

4
x
4
1+(
4
1) x
4
_
= L
D
x
3
+V
R
_

5
x
5
1+(
5
1) x
5
_
L
D
x
5
+V
R
_

5
x
5
1+(
5
1) x
5
_
= L
D
x
4
+V
R
_

6
x
6
1+(
6
1) x
6
_
L
D
x
6
+V
R
_

6
x
6
1+(
6
1) x
6
_
= L
D
x
5
+V
R
_

7
x
7
1+(
7
1) x
7
_
L
D
x
7
+V
R
_

7
x
7
1+(
7
1) x
7
_
= L
D
x
6
+V
R
_

8
x
8
1+(
8
1) x
8
_
L
D
x
8
+V
R
_

8
x
8
1+(
8
1) x
8
_
= L
D
x
7
+V
R
_

9
x
9
1+(
9
1) x
9
_
L
D
x
9
+V
R
_

9
x
9
1+(
9
1) x
9
_
= L
D
x
8
+V
R
_

10
x
10
1+(
10
1) x
10
_
L
D
x
10
+V
R
_

10
x
10
1+(
10
1) x
10
_
= L
D
x
9
+V
R
_

11
x
11
1+(
11
1) x
11
_
L
D
x
11
+V
R
_

11
x
11
1+(
11
1) x
11
_
= L
D
x
10
+V
R
_

12
x
12
1+(
12
1) x
12
_
(L
D
+F) x
12
+V
R
_

12
x
12
1+(
12
1) x
12
_
= L
D
x
11
+V
R
_

13
x
13
1+(
13
1) x
13
_
+Fz
F
(L
D
+F) x
13
+V
R
_

13
x
13
1+(
13
1) x
13
_
= (L
D
+F) x
12
+V
R
_

14
x
14
1+(
14
1) x
14
_
(L
D
+F) x
14
+V
R
_
x
14

14
x
14
1+(
14
1) x
14
_
= (L
D
+F) x
13
_
_
(4.10)
62
4.3. Linealizaci on alrededor de un punto de equilibrio
Un punto de equilibrio de un sistema no lineal, y suponiendo que las funciones f
1
, f
2
, ..., f
14
son diferencialmente continuas, puede ser caracterizado expandiendo la expresi on de cada fun-
ci on no lineal en series de Taylor alrededor del punto de equilibrio y la retenci on solo del
t ermino lineal (Khalil, 1996, Vidyasagar, 1993).
La linealizaci on es una aproximaci on en la vecindad de un punto de operaci on y por lo tanto
s olo puede predecir el comportamiento local del sistema no lineal en la vecindad del punto de
operaci on, no puede predecir el comportamiento no local y mucho menos el comportamiento
del sistema a trav es de todo el espacio de estado (Angulo, 1999).
La expansi on por series de Taylor de f(x), alrededor del valor del punto de equilibrio, est a dada
por,
f (x) = f ( x)+
f (x)
x
x= x
(x x)+
1
2!
f
2
(x)
x
2
x= x
(x x)
2
+
1
3!
f
3
(x)
x
3
x= x
(x x)
3
+t.o.s.
(4.11)
Por lo tanto,
x =
_
f (x)
x
x= x
_
(x x) +t.o.s. (4.12)
Los t erminos de orden superior (t.o.s.) de la expansi on en series de Taylor, no se tienen en
cuenta ya que se considera que son sucientemente peque nos; es decir, las variables s olo se
desvan ligeramente de la condici on de operaci on. (Ogata, 2002).
La linealizaci on del sistema se realiza calculando el Jacobiano de f con respecto a x, en x = x
denido por 4.13, evaluado en el punto de equilibrio (Khalil, 1996).
A =
f (x)
x
x= x
(4.13)
El sistema linealizado corresponde a un sistema de la forma,
x = Ax (4.14)
4.4. Caracterizaci on punto de equilibrio
La caracterizaci on del punto de equilibrio se realiza calculando los valores propios del Jaco-
biano, para un valor dado de los par ametros. La estabilidad del sistema linealizado est a deter-
63
minada por (Angulo, 1999, Khalil, 1996):
Si todos los valores propios de A se encuentran en el semiplano complejo izquierdo
abierto (excluyendo el eje imaginario), es decir, que tienen parte real negativa (Re (
i
) <
0 i),el punto de equilibrio del sistema no lineal es asint oticamente estable en la vecin-
dad del punto.
Si al menos un valor propio de Ase encuentra en el semiplano complejo derecho abierto,
es decir, que tiene parte real positiva (Re (
i
) > 0 para alg un i), el punto de equilibrio
del sistema no lineal es inestable.
Si ninguno de los valores propios de A se encuentra en el semiplano complejo derecho
abierto, pero al menos tiene uno en el eje j (Re (
i
) 0i) y los dem as parte real
negativa, no se puede concluir nada sobre la estabilidad del equilibrio del sistema, su
comportamiento est a determinado por los t erminos de orden superior que fueron despre-
ciados en la linealizaci on.
El sistema presenta un unico punto de equilibrio, para un valor dado de los par ametros corre-
spondientes a los valores empleados en el dise no de la columna (Ver Secci on 2.7), los valores
de las variables de estado (composici on molar de etanol en cada etapa de la columna) en el
punto de equilibrio se presentan en la Tabla. 4.1.
Los valores propios del punto de equilibrio son caracterizados calculando el Jacobiano denido
como 4.13 del sistema, as:
J =
_
_
f
1
x
1
f
1
x
2

f
1
x
14
f
2
x
1
f
2
x
2

f
2
x
14
.
.
.
.
.
.
.
.
.
.
.
.
f
14
x
1
f
14
x
2

f
14
x
14
_
_
(4.15)
Los valores propios de la matriz A corresponden a todas las races del polinomio caracterstico
del Jacobiano, denidos por la ecuaci on 4.16(Kuznetsov, 2004).
h () = det (AI) (4.16)
El punto de equilibrio del sistema din amico es estable en el sentido de Lyapunov, es decir que
todas las soluciones que nacen en las cercanas del punto de equilibrio permanecen en dichas
64
Tabla 4.1: Punto de equilibrio alcanzado en la simulaci on del modelo de la columna de desti-
laci on en lazo abierto
Variable de estado Valor de estado
Composici on molar de etanol estacionario
Destilado x
1
0,8172
Plato 1 x
2
0,7870
Plato 2 x
3
0,7585
Plato 3 x
4
0,7304
Plato 4 x
5
0,7015
Plato 5 x
6
0,6706
Plato 6 x
7
0,6359
Plato 7 x
8
0,5952
Plato 8 x
9
0,5446
Plato 9 x
10
0,4770
Plato 10 x
11
0,3778
Plato 11 x
12
0,2263
Plato 12 x
13
0,0772
Fondos x
14
0,0112
cercanas, adem as, es asint oticamente estable debido a que todas las soluciones tienden hacia
el punto de equilibrio a medida que transcurre el tiempo, debido a que los valores propios
presentan parte real negativa.
4.5. An alisis din amico del modelo no lineal de la columna de des-
tilaci on en lazo abierto
Para determinar la existencia de interacciones din amicas entre las variables de entrada y de sa-
lida, es necesario examinar las respuestas de las salidas del proceso en lazo abierto, aplicando
cambios tipo escal on en las entradas. Se llevaron a cabo diferentes simulaciones para evaluar
el comportamiento din amico del sistema en lazo abierto. Las simulaciones fueron realizadas
65
Tabla 4.2: Valores propios de la matriz jacobiana calculada en el punto de equilibrio alcanzado
en lazo abierto
Valor Propio
1
5,4582
2
13,1503
3
28,7827
4
65,8300
5
65,8300
6
65,8300
7
194,4442
8
276,7275
9
362,9774
10
433,8631
11
477,2119
12
548,5991
13
627,9367
14
713,4157
evaluando las salidas cuando se perturba una entrada a la vez.
En las Figuras. 4.1 y 4.2 se presenta el comportamiento de las variables de salida (com-
posici on molar de etanol en cada etapa de la columna) al realizar variaciones de aumento y
disminuci on del ujo de entrada de la columna (F) en 20 %. Los cambios se realizan en las
entradas en un t = 0.5hr, tiempo en el cual el sistema ya ha alcanzado el equilibrio. Los per-
les de concentraci on al perturbar el sistema con un escal on de aumento del 20 % en el ujo
de alimentaci on (F), dan como resultado un incremento signicativo de las composiciones de
etanol en la zona de agotamiento (Figura. 4.1). Por el contrario, cuando el sistema es perturbado
con un escal on de 20 % en el ujo de alimentaci on (F) el perl de composiciones disminuye
signicativamente en la zona de recticaci on (Figura. 4.1).
Las Figuras. 4.3 y 4.4 presentan el comportamiento de las variables de salida aplicando varia-
ciones tipo escal on de magnitud 20 % en la composici on de entrada (z
F
). La respuesta del
sistema ante un cambio tipo escal on de +20 % en la composici on de alimentaci on (z
F
), genera
66
Figura 4.1: Perl de concentraci on de la columna de destilaci on al aumentar el ujo de ali-
mentaci on en un 20 % a t = 0,5hr
Figura 4.2: Perl de concentraci on de la columna de destilaci on al disminuir el ujo de ali-
mentaci on en un 20 % a t = 0,5hr
un aumento signicativo en las composiciones de etanol en la zona de agotamiento (Figura.
4.3), por el contrario, cuando el sistema es perturbado con un escal on de 20 % en la composi-
ci on de alimentaci on (z
F
) el perl de composiciones disminuye signicativamente en la zona
de recticaci on (Figura. 4.4).
Las Figuras. 4.5 y 4.6 exhiben el comportamiento de las variables de salida aplicando un es-
67
Figura 4.3: Perl de concentraci on de la columna de destilaci on al aumentar la composici on de
alimentaci on en un 20 % a t = 0,5hr
Figura 4.4: Perl de concentraci on de la columna de destilaci on al disminuir la composici on
de alimentaci on en un 20 % a t = 0,5hr
cal on de 20 % en el ujo de recirculaci on (L
D
). El sistema ante un cambio tipo escal on de
+20 % en el ujo de recirculaci on (L
D
), genera un aumento signicativo en las composiciones
de etanol en la zona de agotamiento (Figura. 4.5). Cuando el sistema es perturbado con un
escal on de 20 % en (L
D
) el perl de composiciones disminuye signicativamente en la zona
de recticaci on (Figura. 4.6).
68
Figura 4.5: Perl de concentraci on de la columna de destilaci on al aumentar el ujo de recir-
culaci on en un 20 % a t = 0,5hr
Figura 4.6: Perl de concentraci on de la columna de destilaci on al disminuir el ujo de recir-
culaci on en un 20 % a t = 0,5hr
En las Figuras. 4.7 y 4.8 se muestra el comportamiento de las variables de salida con respecto
a cambios tipo escal on de 20 % en el ujo del rehervidor (V
R
). El sistema ante un cambio
tipo escal on de 20 % en el ujo del rehervidor (V
R
), genera un aumento signicativo en las
composiciones de etanol en la zona de agotamiento (Figura. 4.5). Por el contrario, cuando el
sistema es perturbado con un escal on de +20 % en (V
R
) el perl de composiciones disminuye
69
Figura 4.7: Perl de concentraci on de la columna de destilaci on al aumentar el ujo de vapor
del rehervidor en un 20 % a t = 0,5hr
Figura 4.8: Perl de concentraci on de la columna de destilaci on al disminuir el ujo de vapor
del rehervidor en un 20 % a t = 0,5hr
signicativamente en la zona de recticaci on (Figura. 4.6).
Finalmente, en las Figuras. 4.9, 4.10,4.11 y 4.12, se presenta el comportamiento din amico de
la composici on en el destilado y en fondos. Se realizan variaciones tipo escal on de magnitud
de 10 %, 20 % y 30 % en una entrada a la vez. Las entradas perturbadas corresponden al
ujo de recirculaci on de lquido (L
D
), ujo de vapor del rehervidor (V
R
), ujo de alimentaci on
70
Figura 4.9: Variaci on de la concentraci on de destilado y fondos aumentando y disminuyendo
F en un 30 %,20 % y 10 % a t = 0,5hr
z
F
en un 30 %,20 % y 10 % a t = 0,5hr
(F) y composici on de alimentaci on (z
F
).
La Figura. 4.9 se presenta el comportamiento din amico de las composiciones de etanol en el
destilado y en fondos, variando el ujo de alimentaci on en 10 %, 20 %y 30 %, con respec-
to al ujo utilizado en el dise no de la columna. Se observa que cuando el ujo de alimentaci on
71
L
D
en un 30 %,20 % y 10 % a t = 0,5hr
V
R
en un 30 %,20 % y 10 % a t = 0,5hr
es menor las composiciones disminuyen y cuando el ujo aumenta las composiciones aumen-
tan, el comportamiento de la salida con respecto a las entradas es directamente proporcional.
La Figura. 4.10 se presenta el comportamiento din amico de las composiciones de etanol en el
destilado y en fondos, variando la composici on de alimentaci on en 10 %, 20 % y 30 %,
con respecto a la composici on de alimentaci on utilizada en el dise no de la columna. Se observa
72
el comportamiento de esta salida con respecto a las entradas es directamente proporcional, ya
que cuando se aumenta o disminuye la composici on de alimentaci on las salidas tambi en au-
mentan o disminuyen, respectivamente.
En la Figura. 4.11 se presenta el comportamiento din amico de las composiciones de etanol en
el destilado y en fondos, variando el ujo de recirculaci on en 10 %, 20 % y 30 %, con
respecto al ujo calculado para el dise no de la columna. Se observa que el comportamiento de
las salidas cuando aumenta el ujo de recirculaci on es igualmente creciente y cuando dismin-
uye el ujo de recirculaci on las variables de salidas tambi en disminuyen.
El caso contrario se observa en la Figura. 4.12, en la cual se presenta el comportamiento din ami-
co de las composiciones de etanol en el destilado y en fondos, variando el ujo de vapor del
rehervidor en 10 %, 20 % y 30 %, con respecto al ujo calculado para el dise no de la
columna. En esta gr aca se observa que cuando el ujo de vapor aumenta las composiciones
de destilado y fondos disminuyen, y cuando el ujo de vapor disminuye las composiciones de
destilado y fondos aumentan.
En las gr acas anteriores se puede apreciar claramente que despu es de realizar el incremento
y la disminuci on de 10 %, 20 % y 30 % en cada una de las variables de entrada, todas las
respuestas de las variables de salida llegaron a un nuevo punto de equilibrio en un tiempo de
estabilizaci on entre 0,2 0,6 horas.
A partir de los resultados presentados por el an alisis del comportamiento din amico de las va-
riables de salida con respecto a variaciones en las variables de entrada, se puede concluir que
cualquier perturbaci on en una de las variables de entrada afectan todas las variables de salida
del sistema, debido a que es un sistema acoplado con fuertes interacciones entre sus variables.
4.6. An alisis comparativo del comportamiento din amico del mode-
lo lineal y no lineal de la columna de destilaci on en lazo abierto
El comportamiento din amico del modelo no lineal de la columna de destilaci on para la sepa-
raci on de la mezcla etanol-agua, con respecto al comportamiento din amico del modelo lineal
obtenido a partir de la linealizaci on alrededor del punto de equilibrio, se analiza evaluando la
respuesta del sistema con cada uno de los modelos ante perturbaciones en las variables de en-
trada del sistema.
73
Las Figuras. 4.13, 4.14, 4.15 y 4.16 presentan el comportamiento din amico de la composici on
molar de etanol en el destilado (x
D
) y la composici on de etanol en fondos (x
B
) en lazo abierto,
al realizar incrementos y disminuciones del 10 % en las variables de entrada del sistema. En
estas gr acas la lnea discontinua representa el comportamiento del sistema de la columna de
destilaci on binaria cuando se emplea el modelo lineal. La lnea continua representa el com-
portamiento del sistema con el modelo no lineal, siendo el modelo no lineal el modelo que
representa la planta real del sistema.
En la Figura. 4.13 se presenta la respuesta din amica de la composici on molar de etanol en
el destilado (x
D
B
) al realizar un incremento y una
disminuci on del 10 % en el ujo molar de lquido (L
D
). Se observa que el modelo lineal no se
ajusta al comportamiento real de la planta al realizar variaciones en el ujo molar de lquido.
El sistema simulado en lazo abierto con el modelo lineal y el modelo no lineal presenta un
comportamiento similar cuando se aplica un incremento del 10 % en el ujo molar de lquido
(Figura. 4.13). Sin embargo, la respuesta del sistema con el modelo lineal ante la disminuci on
de un 10 % en el ujo molar de lquido presenta una composici on de fondos negativa, siendo
este valor una violaci on de las restricciones del sistema debido a que las composiciones mo-
lares deben encontrarse en el rango comprendido entre 0 y 1.
Figura 4.13: Respuesta din amica de x
D
y x
B
al realizar un cambio de 10 % en el par ametro
ujo molar de lquido (L
D
), () Modelo lineal; () Modelo no lineal
74
D
y x
B
ujo molar de vapor (V
R
D
y x
B
ujo molar de alimentaci on (F), () Modelo lineal; () Modelo no lineal
En la Figura. 4.14 se presenta la respuesta din amica de la composici on molar de etanol en el
destilado (x
D
B
) al realizar un aumento y una dismin-
uci on del 10 % en el ujo molar de vapor (V
R
).
El sistema simulado en lazo abierto con el modelo lineal y el modelo no lineal ante una dismin-
75
D
y x
B
composici on molar de alimentaci on (z
F
uci on del 10 % en el ujo molar de vapor tiene un comportamiento similar. Cuando se aplica
un incremento del 10 % en el ujo molar de lquido la respuesta del sistema con el modelo
lineal presenta una composici on de fondos negativa, violando las restricciones y divergiendo
del comportamiento de la planta real.
La Figura. 4.15 presenta la respuesta din amica de la composici on molar de etanol en el destila-
do (x
D
B
) al realizar un incremento y una disminuci on
del 10 % en el ujo molar de alimentaci on a la columna (F). En est a gr aca se observa que el
modelo lineal no se ajusta al comportamiento real de la planta al realizar variaciones en el ujo
molar de alimentaci on sobretodo cuando se aplica una disminuci on del 10 % en el par ametro.
El sistema simulado en lazo abierto con el modelo lineal y el modelo no lineal presenta un
comportamiento similar cuando se aplica un incremento del 10 % en el ujo molar de lquido,
debido a que la composici on de fondos presenta valores negativos.
La Figura. 4.16 presenta la respuesta din amica de la composici on molar de etanol en el desti-
lado (x
D
B
) al realizar un aumento y una disminu-
ci on del 10 % en la composici on molar de alimentaci on (z
F
). La respuesta del sistema en lazo
abierto con el modelo lineal y el modelo no lineal ante un incremento del 10 % en composici on
molar de alimentaci on tienen una buena aproximaci on, contrario a lo que se observa cuando
76
se disminuye en un 10 % la composici on molar de etanol ya que la composici on de fondos es
negativa.
A partir de los resultados obtenidos en estas gr acas, el modelo lineal no es una buena aprox-
imaci on de la planta real, adem as de que no tiene en cuenta la limitante termodin amica del
sistema. La planta real del sistema se ve representada completamente por el modelo no lin-
eal y este debe ser el modelo a utilizar en el dise no de un algoritmo de control, debido a que
involucra toda la din amica del sistema, incluyendo las restricciones termodin amicas.
4.7. An alisis de bifurcaciones del modelo no lineal de la columna
de destilaci on
El m etodo de estudio por bifurcaciones es una herramienta util para el an alisis de los sistemas
din amicos, con el n de obtener informaci on sobre los lmites de operaci on del sistema. Este
an alisis se realiza variando cada uno de los par ametros del sistema, lo cual puede ocasionar un
cambio en el comportamiento cualitativo del sistema din amico no lineal, y por ende, los puntos
jos del sistema pueden ser creados, destruidos o cambiar sus propiedades de estabilidad.
4.7.1. Variaci on par ametro ujo molar del lquido
En la Figura 4.17 se observa el comportamiento de la composici on molar de etanol en cada
una de las etapas al variar el ujo molar de lquido (L
D
). En ella se ve que a medida que
aumenta el ujo de lquido tambi en aumenta la composici on de etanol en las etapas de la zona
de recticaci on hasta llegar a la composici on azeotr opica (limitante termodin amica). Cuando
el valor del par ametro disminuye las composiciones de etanol tambi en disminuyen.
El diagrama de bifurcaciones variando el par ametro ujo molar de lquido (L
D
), corresponde
a una continuaci on de puntos de equilibrio que tienen valores propios con parte real negativa,
indicando que son puntos de equilibrio estables. El modelo din amico no presenta bifurcaciones
al variar el par ametro ujo molar de lquido.
La Figura 4.18 presenta el diagrama de bifurcaci on de la composici on molar de etanol en el
destilado y en fondos, con el n de observar en detalle el comportamiento de estas dos variables
con respecto a variaciones en el ujo molar de recirculaci on.
El an alisis de bifurcaciones variando el par ametro ujo molar de lquido (L
D
) se realiza con
77
Figura 4.17: Diagrama de bifurcaci on variando el par ametro ujo molar de lquido (L
D
)
Figura 4.18: Diagrama de bifurcaci on x
D
y x
B
(L
D
)
MATCONT, para vericar los resultados obtenidos en las simulaciones en MatLab y corroborar
la ausencia de bifurcaciones en el sistema.
En la Figura 4.19 se presentan los resultados obtenidos con MATCONT para la composici on
de destilado y fondos variando el ujo molar de lquido.
78
D
y x
B
(L
D
) obtenido con MATCONT
Figura 4.20: Diagrama de bifurcaci on variando el par ametro ujo molar de vapor (V
R
)
4.7.2. Variaci on par ametro ujo molar de vapor
La Figura 4.20 presenta el comportamiento de la composici on molar de etanol en cada una de
la etapas al variar el ujo molar de lquido (V
R
). El aumento en el ujo de vapor en el sistema
genera disminuci on en las composiciones de etanol. La disminuci on del ujo de vapor genera
79
D
y x
B
(V
R
)
un aumento en las composiciones de etanol en cada una de las etapas. El an alisis de cada uno de
los puntos de equilibrio alcanzados al variar el ujo molar de vapor da como resultado valores
propios con parte real negativa, siendo puntos de equilibrio estables en el sentido de Lyapunov
y el sistema no presenta bifurcaciones al variar este par ametro.
La Figura 4.21 presenta el diagrama de bifurcaciones de la composici on molar de etanol en el
destilado y en fondos, con el n de observar con mayor detalle el comportamiento de estas dos
variables al realizar variaciones el ujo molar de vapor.
El an alisis de bifurcaciones variando el par ametro ujo molar de vapor (V
R
) se realiza con
MATCONT, con el n de vericar los resultados obtenidos en las simulaciones en MatLab y
vericar la no presencia de bifurcaciones en el sistema.
La Figura 4.22 presenta los resultados obtenidos para la composici on de destilado y fondos
variando el ujo molar de vapor con MATCONT.
4.7.3. Variaci on par ametro ujo molar de alimentaci on
En las Figuras 4.23 y4.24 se presenta el comportamiento de las variables de estado (composi-
ci on molar de lquido, x) al variar el ujo de alimentaci on de la columna de destilaci on .(F).
Para valores de ujo de alimentaci on mayores a 600 kgmol/hr las composiciones de la zona
de recticaci on son constantes, mientras que para valores del ujo de alimentaci on menores a
80
D
y x
B
(V
R
Figura 4.23: Diagrama de bifurcaci on variando el par ametro ujo molar de alimentaci on (F)
500 kgmol/hr las composiciones descienden hasta llegar a 0. Cada uno de los puntos de equi-
librio fue analizado y corresponden a nodos estables del sistema. El diagrama de bifurcaci on
con respecto a la variaci on del par ametro ujo de alimentaci on no presenta bifurcaciones, es
una continuidad de puntos de equilibrio estables.
81
D
y x
B
mentaci on (F)
D
y x
B
mentaci on (F) obtenido con MATCONT
destilado y en fondos, en el se observa el comportamiento de las variables con respecto a varia-
ciones en el ujo molar de alimentaci on. El an alisis de bifurcaciones variando el par ametro
ujo molar de alimentaci on (F) se realiza con MATCONT, con el n de vericar los resul-
tados obtenidos en las simulaciones en MatLab y vericar la ausencia de bifurcaciones en el
82
sistema. En la Figura 4.25 se presentan los resultados obtenidos para la composici on de desti-
lado y fondos variando el ujo molar de alimentaci on con MATCONT.
4.7.4. Variaci on par ametro composici on molar de alimentaci on
En la Figura 4.26 se presenta el comportamiento de la composici on molar de etanol en cada
una de las etapas al variar la composici on de alimentaci on (z
F
). En la gura se observa que a
medida que la composici on molar de alimentaci on aumenta tambi en aumenta la composici on
de etanol en las etapas de la zona de recticaci on hasta llegar a la composici on azeotr opica
y posteriormente a 1. En esta gura se puede identicar claramente el comportamiento de la
mezcla por la presencia del aze otropo (limitante termodin amica).
Cuando se presenta la disminuci on en el valor de la composici on molar de alimentaci on de
etanol (Figura 4.26) las composiciones de etanol tambi en disminuyen hasta llegar a cero. La
continuaci on de puntos presentada en este diagrama corresponde a puntos de equilibrio estables
cuyos valores propios poseen parte real negativa.
El modelo din amico no presenta bifurcaciones al variar el par ametro composici on molar de
alimentaci on.
destilado y en fondos, con variaciones en la composici on molar de alimentaci on.
Figura 4.26: Diagrama de bifurcaci on variando el par ametro composici on molar de ali-
mentaci on (z
F
)
83
D
y x
B
variando el par ametro composici on molar de
alimentaci on (z
F
)
D
y x
B
variando el par ametro composici on molar de
alimentaci on (z
F
La Figura 4.27 presenta el diagrama de bifurcaciones de la composici on molar de etanol en el
destilado y en fondos, con el n de observar en detalle el comportamiento de estas dos variables
al realizar variaciones en la composici on molar de alimentaci on.
El an alisis de bifurcaciones variando el par ametro composici on molar de alimentaci on (z
F
) se
84
realiza con MATCONT, con el n de vericar los resultados obtenidos en las simulaciones en
MatLab y corroborar la ausencia de bifurcaciones en el sistema.
En la Figura 4.28 se presentan los resultados obtenidos con MATCONT para la composici on
de destilado y fondos variando la composici on molar de alimentaci on.
4.8. Conclusiones
En este captulo se present o el an alisis din amico del modelo no lineal de la columna de desti-
laci on binaria para la separaci on de la mezcla etanol-agua. Se estudi o la presencia de puntos de
equilibrio dando como resultado un unico punto de equilibrio caracterizado como nodo estable
por el m etodo indirecto de Lyapunov.
Se realizaron algunas simulaciones para determinar la capacidad del modelo din amico de la
columna de destilaci on binaria al realizar perturbaciones en las variables de entrada del sis-
tema. Se observ o que al realizar una variaci on a la vez de las entradas del sistema se afectan
todas las variables de salida. El sistema corresponde a un sistema acoplado, con fuertes inter-
acciones entre las variables.
Se analiz o el comportamiento din amico del sistema simulado con el modelo lineal y el modelo
no lineal, dando como resultado que el modelo lineal no es una buena aproximaci on de la plan-
ta real debido a que el modelo no tiene en cuenta la limitante fsica dada por la termodin amica
y se pierde parte de la din amica del sistema. Por lo tanto, para el algoritmo de control debe
emplearse el modelo no lineal.
Se realiz o un an alisis de bifurcaciones en funci on de los par ametros: ujo de alimentaci on,
composici on de alimentaci on, ujo de recirculaci on y ujo de vapor.
A partir de este an alisis se concluye que el sistema no presenta bifurcaciones y que al variar
cada uno de los par ametros el estado estacionario alcanzado por el sistema corresponde a pun-
tos de equilibrio estables en el sentido de Lyapunov.
De acuerdo a las simulaciones realizadas en MatLab el sistema no presenta bifurcaciones. Este
resultado se corrobor o con MATCONT.
85
Captulo 5
Control predictivo basado en el modelo de una
En este captulo se plantea un algoritmo de control predictivo basado en el modelo no lineal
de una columna de destilaci on binaria. En el algoritmo de control se dene una funci on obje-
tivo la cual debe ser minimizada en un horizonte de predicci on, con el n de determinar los
movimientos que deben ser aplicados a las entradas manipuladas en los instantes de muestreo
siguientes en el horizonte de control. La funci on objetivo corresponde a la suma de los t erminos
del cuadrado del error y del esfuerzo de control.
La funci on de costo presenta unos par ametros de penalizaci on para el error y las acciones de
control, los cuales son par ametros empricos que deben ser optimizados con el objetivo de que
el controlador sea robusto y a su vez suave en la respuesta. En este captulo son presentados
dos m etodos para la selecci on de dichos par ametros. Adem as, se eval ua el efecto del error en
la funci on de costo agregando un t ermino c ubico a esta expresi on y se compara el desempe no
del control predictivo basado en el modelo lineal (MPC) y en el modelo no lineal (NMPC).
5.1. Introducci on al control predictivo
El origen del concepto de control predictivo basado en el modelo (Model Predictive Control,
MPC) surgi o desde hace cuatro d ecadas con (Zadeh and Whalen, 1962) y (Propoi, 1963),
quienes establecieron el enfoque del horizonte en movimiento (principal caracterstica del
MPC). El concepto fue denotado por primera vez con el nombre de Control

Optimo en Lazo
Abierto. Este concepto del control predictivo fue ignorado hasta nales de la d ecada de 1970
cuando (Richalet et al., 1978) deni o el control predictivo del modelo heurstico (MPHC),
86
Captulo 5. Control predictivo basado en el modelo de una columna de destilaci on
m as tarde conocido como control algortmico del modelo (MAC). En los a nos 80, creci o el
inter es por el desarrollo investigativo del control optimo aplicable, debido a unas jornadas or-
ganizadas por la empresa petroqumica Shell (Prett and Morari, 1987), dando como resultado
los primeros controles predictivos basados en el modelo. Posteriormente, (Cutler and Ramaker,
1979) y (Prett and Gillette, 1979), desarrollaron el Control de Matriz Din amica (DMC), y su
aplicaci on en el control del procesos de craqueo de petr oleo.
El modelo din amico del proceso se utiliz o expresamente en el algoritmo del MAC y del DMC
(en el primero respuesta al impulso y en el segundo respuesta al escal on) para predecir el efecto
de las acciones de control en la salida, los cuales son determinados por minimizaci on del error
sujeto a las restricciones operacionales del proceso, est a optimizaci on se repite en cada periodo
de muestreo (Findeisen et al., 2007).
El MPC se hizo r apidamente popular, sobre todo en las industrias de procesos qumicos, debido
a la simplicidad del algoritmo y el uso del modelo de respuesta al impulso o al escal on. El DMC
se convirti o en una de las primeras estrategias de control aplicadas a nivel industrial, junto a la
estrategia de control IDCOM (Identication and Comand), a partir de estas estrategias se han
ido desarrollando otras alternativas.
El exito de las aplicaciones del MPC en la industria se debe en gran medida a su adaptabilidad
en casos multivariables con restricciones (Aufderheide and Bequette, 2003). Sin embargo, la
implementaci on de esta estrategia de control en la industria inicialmente era un poco limitada
debido a que la utilizaci on de modelos lineales crea ciertas incertidumbres en la aplicaci on del
control. Por este motivo, durante la ultima d ecada, se ha realizado un gran esfuerzo por exten-
der los m etodos de predicci on basados en modelos de sistemas lineales a los no lineales.
El control predictivo MPC se basa en la representaci on explcita del proceso a controlar, el mo-
delo del proceso se encuentra dentro del algoritmo de control de una manera directa. La esencia
del MPC no cambia con la forma particular de la descripci on del modelo, sino que da lugar a
diferentes formulaciones matem aticas y a diferentes cargas de c alculo. Por lo tanto, el control
predictivo basado en el modelo lineal (LMPC) se pueden encontrar tanto en formulaciones
entrada-salida o en el espacio de estados, para sistemas SISO o MIMO, con comportamiento
estable o la integraci on de la conducta, y con formulaci on explcita o implcita de la ley de
control (Agachi et al., 2006).
La estrategia de control se basa en la utilizaci on del modelo del proceso para predecir el val-
87
or de las variables controladas a lo largo de un horizonte temporal, calculando el valor de las
variables manipuladas para hacer que en ese horizonte las variables controladas est en en sus
valores de referencia, de esta forma, se prev e el comportamiento din amico de las variables con-
troladas del proceso y se obtiene, a partir de la minimizaci on de una funci on de costo sujeta a
las restricciones de las variables del proceso, una ley de control (Marlin, 2000).
5.1.1. Ventajas control predictivo
El control predictivo basado en el modelo (MPC), presenta una serie de ventajas en compara-
ci on con otros m etodos, entre las que se pueden citar las siguientes (Bordons, 2000).
Los conceptos son muy intuitivos a la vez que la sintonizaci on es relativamente f acil.
Puede ser usado para controlar una gran variedad de procesos, procesos con din amicas
simples o complejas, incluyendo sistemas con grandes retardos, de fase no mnima o
inestables.
Permite tratar con facilidad el caso multivariable.
Posee intrnsecamente compensaci on del retardo.
La ley de control es generalmente f acilmente implementable.
Resulta conceptualmente simple la extensi on al tratamiento de restricciones, que pueden
ser incluidas de forma sistem atica durante el proceso de dise no.
Es muy util cuando se conocen las futuras referencias, como en el caso de la rob otica o
en procesos por lotes.
Es una metodologa completamente abierta basada en algunos principios b asicos que
permite futuras extensiones.
Tambi en presenta algunos inconvenientes. Entre las desventajas se pueden citar:
Aunque su implementaci on no es compleja, resulta m as difcil que la de los cl asicos
controladores PID.
Requiere un algoritmo de optimizaci on, por lo que solo se puede implementar por medio
de una computadora.
88
La carga de c alculo necesaria para la resoluci on de algunos algoritmos es mucho mayor.
Debe disponerse de un modelo din amico apropiado del proceso.
El algoritmo del dise no est a basado en el conocimiento previo del modelo y es indepen-
diente de este, pero resulta evidente que las prestaciones obtenidas depender an de las
discrepancias existentes entre el proceso real y el modelo usado (Bordons, 2000).
Requiere un alto coste computacional, lo que hace difcil su aplicaci on a sistemas r api-
dos.
5.2. Control predictivo basado en el modelo no lineal (NMPC)
En la ultima d ecada, el estudio y desarrollo del control predictivo basado en el modelo no lineal
(NMPC) ha ido creciendo y posicion andose como una de las t ecnicas de control m as impor-
tantes (Badgwell and Qin, 2001). Esta t ecnica se basa en el concepto de generaci on de valores
para las entradas como resultado de la soluci on de un problema de optimizaci on utilizando el
modelo no lineal del proceso. El modelo din amico del proceso puede ser empleado de diferen-
tes maneras y en diferentes fases del algoritmo de control, dependiendo del enfoque que se le
quiera dar al dise no del control predictivo.
Las din amicas no lineales est an presentes en casi todas las aplicaciones de ingeniera, y el desa-
rrollo de los modelos adecuados para denir estas din amicas resulta ser en ocasiones difcil, ya
que no existe un modelo generalizado para representar dichos procesos. Los tres tipos princi-
pales de modelos que se utilizan para la construcci on de las din amicas no lineales son: modelos
empricos, modelos fundamentales los cuales son obtenidos a partir de los balances, y modelos
de caja gris los cuales son una combinaci on de los m etodos empricos y fundamentales (Find-
eisen et al., 2007). En el dise no de modelos din amicos no lineales se presenta la ausencia del
principio de superposici on y la determinaci on experimental de los modelos se convierte en una
tarea muy complicada, requiriendo una gran cantidad de ensayos, debido a que la respuesta
debe ser analizada para todas las posibles se nales de entrada (Bordons, 2007).
Los procesos qumicos se caracterizan por tener un comportamiento din amico altamente no
lineal. En general son sistemas multivariables con fuertes interacciones entre las variables y
con perturbaciones frecuentes, en algunos casos no medibles; resultando bastante util la imple-
mentaci on de un control predictivo basado en el modelo no lineal.
89
Los procesos qumicos han sido tradicionalmente controlados por medio de algoritmos basados
en un modelo lineal. Estos controladores funcionan correctamente al operar cerca al punto de
equilibrio, y convergen de forma able y en pocos segundos, resultando util para su aplicaci on
a nivel industrial. Sin embargo, en algunos casos surge la necesidad de emplear modelos que
incluyan los efectos no lineales, como en el control de pH y de bioreactores, y procesos con
problemas de seguimiento de consigna, en los que el punto de operaci on cambia con frecuencia
como en procesos por lotes y en la fabricaci on de polmeros (Agachi et al., 2006).
A continuaci on se enumeran algunos problemas relacionados con el dise no e implementaci on
del control predictivo basado en el modelo no lineal.
1) La obtenci on del modelo no lineal a partir de los datos experimentales. Para esto se han
utilizado redes neuronales o series de Volterra, sin embargo no han logrado solucionar el
problema de forma general.
2) El problema de optimizaci on es no convexo, por este motivo es complicada la obten-
ci on del optimo global, lo cual inuye en la calidad del control y en problemas relaciona-
dos con la estabilidad.
3) La optimizaci on implica un aumento considerable en el tiempo de c alculo. Esto puede
dar lugar a que la aplicaci on de la t ecnica quede restringida a un conjunto de sistemas
con din amica lenta.
4) Lograr la estabilidad o robustez del sistema de control resulta complicado, siendo este
un campo de inter es investigativo bastante amplio.
5.3. Terminologa b asica del control predictivo
A continuaci on es presentada la terminologa b asica del control predictivo basado en el modelo
(MPC), la cual es com un tanto para el control que utiliza modelos lineales como para modelos
no lineales, simples o complejos.
Procesos multivariables (MIMO): Procesos con m ultiples entradas y salidas entre las
cuales existe una interacci on elevada, un movimiento o perturbaci on en una o m as va-
riables independientes del proceso afecta simult aneamente a muchas variables dependi-
entes. En estos procesos las variables de entrada y de salida interact uan entre s.
90
Acoplamiento: Es un fen omeno multivariable producido b asicamente en el control si-
mult aneo de las composiciones de los productos en una columna de destilaci on, se pro-
duce por la competencia generada entre los lazos sencillos de sistema de control dando
como resultado un control no deseado.
El algoritmo de control de una columna de destilaci on es simult aneo y coordinado de
variables acopladas.
Tiempo de estabilizaci on: Tiempo que tarda una variable dependiente en alcanzar el
estado estacionario.
Din amica: Es la evoluci on transitoria hasta que la variable dependiente alcanza el estado
estacionario a lo largo del tiempo.
Variables controladas: Son las variables del proceso que deben mantenerse en un valor
de referencia o dentro de un rango determinado. Son las variables dependientes del mo-
delo matem atico del controlador y constituyen la respuesta del proceso. Estas variables
tambi en son llamadas variables de salida (Corripio and Smith, 1997, Ogata, 2002).
Variables manipuladas: Son las variables independientes del modelo matem atico, el al-
goritmo de control debe ajustar estas variables para mantener las variables controladas en
los valores deseados. En el controlador multivariable el controlador considera el efecto
simult aneo de todas las variables manipuladas en todas las variables controladas. Estas
variables tambi en son denominadas variables de entrada (Corripio and Smith, 1997,Oga-
ta, 2002).
Variables de perturbaci on: Son las variables independientes del modelo matem atico,
provocan variaciones en las variables controladas pero no pueden ser manipuladas por el
controlador.
Procesos cuadrados: Son aquellos en los cuales no hay grados de libertad, el n umero
de variables manipuladas es igual al n umero de variables controladas, por lo tanto el
controlador no dispone de grados de libertad y existe un unico punto de operaci on posible
(Abanades, 1999).
Procesos estrechos: Son aquellos en los cuales el n umero de variables controladas es
superior al n umero de variables manipuladas dando lugar a un n umero de grados de
91
liberta negativo. El controlador no puede satisfacer los requerimiento de control y deben
denirse prioridades de modo que jerarquizan los objetivos de control de mayor a menor
importancia (Abanades, 1999).
Procesos amplios: Son aquellos en los que hay un mayor n umero de variables manipu-
ladas con respecto al n umero de variables controladas. El n umero de grados de libertad
disponibles es positivo, por lo tanto el controlador debe decidir en qu e punto debe operar
(Abanades, 1999). En este caso es favorable tener en cuenta el criterio econ omico para
obtener un mayor benecio.
5.4. Algoritmo general del control predictivo basado en el modelo
(MPC)
El objetivo del control predictivo (MPC), es determinar el cambio en la se nal de control (varia-
bles manipuladas), de tal forma que los cambios en la respuesta predicha se muevan al punto
de ajuste de forma optima, y todas las variables de salida se mantengan en los rangos especi-
cados.
La estrategia b asica de control MPC, se puede describir de la siguiente manera:
En cada instante t y haciendo uso del modelo del proceso se predicen las futuras salidas
para un determinado horizonte de predicci on, N. Las salidas predichas, y (t +j|t) para
j = 1...N dependen de los valores conocidos hasta el instante t (entradas y salidas
pasadas) y de las se nales de control futuras u(t +j|t), j = 0...N 1 que se pretenden
enviar al sistema y que son las que se quieren calcular.
El conjunto de se nales de control futuras se calcula optimizando un determinado criterio
en el que se pretende mantener el proceso lo m as pr oximo posible a la trayectoria de
referencia r (t +j), esta trayectoria puede ser directamente el punto de ajuste o una
suave aproximaci on a este. Este criterio suele tomar la forma de una funci on cuadr atica
de los errores entre la salida predicha y la trayectoria de referencia tambi en predicha,
incluyendo en muchos casos el t ermino referente al esfuerzo de control. Debe usarse un
m etodo iterativo de optimizaci on con el n de minimizar la funci on de costo.
El m etodo iterativo de optimizaci on realiza postulados de la ley de control y trata de acer-
92
carse a la ley de control optima. Para casos en los cuales la funci on de costo es cuadr atica,
el modelo utilizado es no lineal y existen restricciones para la se nal de control, no es posi-
ble determinar una soluci on analtica, por lo tanto es estrictamente necesario emplear un
m etodo num erico de optimizaci on.
La se nal de control u(t|t) es enviada al proceso mientras que las siguientes se nales
de control calculadas, son desechas, puesto que al siguiente instante de muestreo ya se
conoce y (t + 1) y se repite el primer paso con este nuevo valor y todas las secuencias
son actualizadas. Se calcula por tanto u(t + 1|t + 1), el cual en principio ser a diferen-
te al u(t + 1|t) ya que disponen de nueva informaci on, haciendo uso del concepto de
horizonte deslizante.
Figura 5.1: Modelo B asico Control Predictivo Basado en el Modelo
Para llevar a cabo esta estrategia se emplea la estructura presentada en la Figura.5.1. Se hace
uso del modelo para predecir las salidas futuras del proceso, bas andose en las se nales futuras
de control propuestas. Estas se nales con calculadas por el optimizador teniendo en cuenta la
funci on de costo. El modelo elegido debe ser capaz de capturar la din amica del proceso para
poder predecir las salidas futuras, al mismo tiempo que debe ser sencillo de usar y comprender
(Bordons, 2000).
93
5.5. Planteamiento del problema de control predictivo basado en
el modelo no lineal de una columna de destilaci on
La destilaci on es el m etodo de separaci on m as com un utilizado a nivel industrial. Los proce-
sos de destilaci on poseen requerimientos t ermicos enormes, por lo tanto, surge la necesidad
de implementar sistemas de control dirigidos a la mejora del proceso teniendo como principal
objetivo el ahorro energ etico. Una de las formas para ahorrar energa es utilizar un sistema de
control avanzado que incorpore algoritmos de optimizaci on con el n de reducir el costo de
operaci on de la columna (Agachi et al., 2006).
El dise no de un sistema de control para una columna de destilaci on, es bastante complejo de-
bido a que las composiciones son difciles de controlar por su comportamiento no lineal y a
la fuerte interacci on existente entre ellas. Por lo tanto, se hace necesario dise nar un sistema de
control estricto que controle las composiciones de los productos (composici on de destilado, x
D
y composici on de fondos, x
B
) para garantizar el menor consumo de energa posible, as como
una elevada y uniforme calidad de producto.
Para el desarrollo del algoritmo de control predictivo basado en el modelo no lineal de una
columna de destilaci on binaria, se requiere un modelo de proceso a controlar, una referencia a
seguir y una funci on de costo cuya minimizaci on proporciona las se nales optimas de control.
La soluci on del problema de optimizaci on del control corresponde a una estrategia de horizonte
deslizante. Seg un esta t ecnica, en cada periodo de muestreo se resuelve el problema de opti-
mizaci on y se aplica la actuaci on obtenida para el siguiente tiempo de muestreo. En el siguiente
periodo de muestreo se toma un nuevo estado del sistema y se repite la operaci on, lo cual im-
plica una realimentaci on a la formulaci on del problema de optimizaci on en lazo abierto, dando
cierto grado de robustez. Esta soluci on debe realizarse teniendo en cuenta las restricciones
dadas por la columna de destilaci on.
5.5.1. Modelo de predicci on
El modelo din amico no lineal empleado para el desarrollo del algoritmo de control predic-
tivo corresponde al Modelo III, discutido en el Captulo. 3 Subsecci on. 3.6.3. Este modelo
matem atico captura la din amica del proceso y permite el c alculo de las predicciones y el an ali-
sis de las propiedades del sistema en un tiempo moderado de c omputo. Es un modelo no lin-
94
Figura 5.2: Diagrama de la columna de destilaci on binaria para el algoritmo de control
eal en tiempo continuo y se utiliza para el c alculo de la salida predicha en instantes futuros
y (t +j|t).
En la Figura. 5.2 se observa el diagrama de la columna de destilaci on empleada para el de-
sarrollo del algoritmo de control. En esta gura se encuentran especicadas las variables del
modelo no lineal que describen el sistema. En este modelo las variables manipuladas son el u-
jo de vapor del rehervidor (V
R
) y el ujo de recirculaci on (L
D
); las variables de perturbaci on
son el ujo molar de alimentaci on (F) y la composici on de alimentaci on (z
F
); y las variables
controladas son la composici on molar de producto en el destilado (x
D
) y la composici on mo-
lar de producto en fondos (x
B
). En la Figura 5.3 se presenta el diagrama esquem atico de las
variables para el algoritmo de control.
El comportamiento del modelo no lineal de la columna de destilaci on ante cambios en las
variables manipuladas y las variables de perturbaci on en lazo abierto se analiz o en el Captulo
4 en la Subsecci on 4.5. Se observa que cualquier movimiento o perturbaci on en el ujo de
alimentaci on, composici on de alimentaci on, ujo molar de recirculaci on o ujo molar del re-
hervidor, afecta simult aneamente la composici on molar de etanol en cada etapa (variables de
95
Figura 5.3: Diagrama de las variables para el algoritmo de control de la columna de destilaci on
estado), indicando que el sistema es interactuante. De igual forma el sistema est a caracterizado
por un fuerte acoplamiento entre las variables. Por esta raz on el control debe ser capaz de ver
el proceso en conjunto y establecer una estrategia unica, un control simult aneo y coordinado
de las variables acopladas.
La estrategia de control para el sistema de la columna de destilaci on corresponde a un sistema
multivariable (MIMO) de dos entradas, dos salidas. La acci on del controlador se realiza en
instantes de muestreo, t y el n umero de predicciones que se realizan en un instante de muestreo
depende del horizonte de predicci on N, que se est e empleando.
El modelo no lineal de la columna de destilaci on corresponde a un modelo en tiempo continuo
y se discretiza para ser empleado en el algoritmo de control, siendo,
x
t+1
= f(x
t
, u
t
) (5.1)
5.5.2. Funci on objetivo
La funci on objetivo o funci on de costo indica el criterio a optimizar. Es una funci on denida
positiva que expresa el costo asociado a una determinada evoluci on del sistema a lo largo del
horizonte de predicci on N.
Generalmente el objetivo del controlador corresponde a que la salida predicha en el horizonte
de predicci on siga una se nal de referencia penalizando al mismo tiempo el esfuerzo de control
ejercido.
En esta tesis se emplea el criterio de minimizaci on de la suma del cuadrado de los errores predi-
chos y del cuadrado de los incrementos en la se nal de control futuros a lo largo del horizonte
96
de predicci on, N. La funci on objetivo generalizada est a denida como:
J
N
(x
t
, u
F
(t)) =
N
j=1
[y(t +j|t) r(t +j)]
2
+
N
j=1
[u(t +j 1)]
2
(5.2)
Donde, y(t + j|t) es la salida predicha en el futuro basada en la informaci on disponible en el
tiempo t; w(t + j) es la se nal de la trayectoria de referencia; u(t) = u(t) u(t 1) es la
diferencia generada a partir de la secuencia de las se nales del esfuerzo de control y y corre-
sponden a los par ametros de penalizaci on del error y del esfuerzo de control, respectivamente.
La funci on de costo especica que emplea el algoritmo de control de la columna de destilaci on
binaria (Ecuaci on. 5.3), corresponde a una expresi on en funci on de las dos variables contro-
ladas y las dos variables manipuladas.
J
N
=
N
j=1
(
1
[y
1
(t +j|t) r
1
(t +j)]
2
+
2
[y
2
(t +j|t) r
2
(t +j)]
2
)+
N
j=1
(
1
[u
1
(t +j 1)]
2
+
2
[u
2
(t +j 1)]
2
)
(5.3)
Donde,
1
es el par ametro de penalizaci on del error con respecto a la variable controlada 1
(composici on molar de etanol en el producto destilado, x
D
);
2
es el par ametro de penalizaci on
del error con respecto a la variable controlada 2 (composici on molar de etanol en el produc-
to de fondos, x
B
); y
1
(t + j|t) es la salida predicha de la composici on molar de etanol en el
destilado (x
D
) en el futuro basada en la informaci on disponible en el tiempo t; y
2
(t + j|t) es
la salida predicha de la composici on molar de etanol en fondos (x
B
) en el futuro basada en
la informaci on disponible en el tiempo t; w
1
(t + j) es la se nal de la trayectoria de referencia
para la composici on molar de etanol en el destilado (x
D
); w
2
(t + j) es la se nal de la trayec-
toria de referencia para la composici on molar de etanol en fondos (x
B
);
1
es el par ametro de
penalizaci on del esfuerzo de control con respecto a la variable manipulada 1 (ujo molar de
recirculaci on, L
D
);
2
es el par ametro de penalizaci on del esfuerzo de control con respecto
a la variable manipulada 2 (ujo molar del rehervidor, V
R
); u
1
(t) = u
1
(t) u
1
(t 1) es
la diferencia generada a partir de la secuencia de las se nales del esfuerzo de control del ujo
de recirculaci on (L
D
) y u
1
(t) = u
1
(t) u
1
(t 1) es la diferencia generada a partir de la
secuencia de las se nales del esfuerzo de control del ujo del rehervidor (V
R
).
97
5.5.3. Restricciones de las variables de control
En el dise no del algoritmo de control es necesario considerar las restricciones acordes al sis-
tema con respecto a las variables de estado y a las variables de entrada. Esto se debe a que los
actuadores tienen ciertas limitaciones fsicas que impiden su funcionamiento fuera de dichos
lmites. De igual forma, se debe considerar el hecho de que la velocidad de cambio est a limita-
da por el actuador, por su velocidad de respuesta.
El sistema de control debe evitar que tanto las salidas como las entradas violen las restric-
ciones; debe prevenir el movimiento excesivo de las variables de entrada y controlar el mayor
n umero de variables del proceso como sea posible cuando un sensor o actuador no se encuentre
disponible (Qin and Badgwell, 2003).
Los lmites en la se nal de control y en las salidas, pueden ser descritos como:
u
mn
u(t) u
max
t
y
mn
y(t) y
max
t
(5.4)
Donde, u
mn
y u
max
son los valores de los lmites superior e inferior de cada una de las variables
manipuladas (ujo de recirculaci on, L
D
y ujo de recirculaci on, V
R
), y
max
y y
mn
son los
valores de los lmites superior e inferior de cada una de las variables de estado (composiciones
molares de etanol, x
n
).
Estas restricciones tambi en pueden ser expresadas como conjuntos cerrados y acotados, X y U,
en los cuales deben estar contenidos los estados del sistema y las actuaciones en cada instante
de muestreo, de forma que:
x
t
X t
u
t
U t
(5.5)
Donde, x
t
son los valores de las variables de estado en el tiempo de muestreo t; X el espacio
cerrado acotado en el cual debe estar contenido x
t
; u
t
son los valores de las variables manipu-
ladas en el tiempo de muestreo t, y U el espacio cerrado acotado en el cual debe estar contenido
u
t
.
Tambi en se puede colocar una restricci on terminal, la cual viene expresada por un conjunto o
regi on terminal X. Esta restricci on tiene la forma,
x(t +N|t) (5.6)
98
Restricciones en las variables manipuladas
Las restricciones con respecto a las variables de entrada o manipuladas (ujo de recir-
culaci on, L
D
y ujo de recirculaci on, V
R
), corresponden a limitaciones fsicas debidas
a la existencia de una v alvula. Las restricciones est an expresadas por el valor m aximo y
mnimo permitido para cada uno de los ujos. Estas se establecen por las ecuaciones 5.7
y 5.8).
u
1 mn
u
1
(t +j|t) u
1 max
j = 1, ..., N
u
2 mn
u
2
(t +j|t) u
2 max
j = 1, ..., N
(5.7)
Los lmites sobre las variables manipuladas permiten tomar decisiones en el instante t
que eviten que las variables controladas en t(j + 1) excedan los lmites deseados. Estos
lmites, dados por las v alvulas, son las encargadas de regular el proceso, manejando el
ujo de recirculaci on (L
D
) y el ujo de rehervidor (V
R
).
Las v alvulas de control deber an ser dimensionadas y seleccionadas de modo tal que
brinden una operaci on y control conables bajo las condiciones de dise no y operaci on
especicadas. Por lo general, el dimensionamiento de la v alvula de control debe basarse
en la ISA S75.01.
A partir del dimensionamiento de la v alvula, las restricciones con respecto a las variables
manipuladas se expresan como:
150kgmol/hr u
1
(t +j|t) 490kgmol/hr j = 1, ..., N
750kgmol/hr u
2
(t +j|t) 750kgmol/hr j = 1, ..., N
(5.8)
Donde, u
1
es el ujo de recirculaci on (L
D
) y u
2
es el ujo de rehervidor (V
R
)
Restricciones en las variables de entrada
Las restricciones con respecto a las variables de salida est an dadas por la limitante ter-
modin amica. Esta limitante fsica implica que la fracci on molar (x
i
) debe tomar unica-
mente valores entre 0 y 1. Las restricciones con respecto a las variables de salida est an
dadas por las ecuaciones 5.9 y 5.10.
y
1 mn
y
1
(t +j|t) y
1 max
j = 1, ..., N
y
2 mn
y
2
(t +j|t) y
2 max
j = 1, ..., N
(5.9)
99
0 y
1
(t +j|t) 1 j = 1, ..., N
0 y
2
(t +j|t) 1 j = 1, ..., N
(5.10)
Donde, y
1
es la composici on molar de etanol en el destilado (x
D
) y y
2
es la composici on
molar de etanol en fondos (x
B
).
Teniendo en cuenta todos estos elementos, el problema de optimizaci on asociado al controlador
predictivo que se debe resolver en cada instante corresponde a un problema de minimizaci on
con restricciones de la siguiente forma:
min
ut(t)
J
N
(x
t
, u
F
(t))
u(t +j|t) Uj = 0, , N
x(t +j|t) Xj = 0, , N
x(t +N|t)
(5.11)
Donde, J
N
corresponde a la funci on de costo (Ecuaci on. 5.3), la cual es una funci on cuadr atica,
u(t + j|t) U corresponde a las restricciones con respecto a las variables manipuladas
(Ecuaci on 5.7), x(t + j|t) X corresponde las restricciones con respecto a las variables
de estado (Ecuaci on 5.9) y es el conjunto terminal.
El problema de optimizaci on (Ecuaci on. 5.11) tiene como variables de decisi on las actuaciones
a lo largo del horizonte de predicci on y depende del estado del sistema. Una vez se encuentre la
soluci on, la actuaci on obtenida se aplica en el instante siguiente u
(t|t) y se vuelve a resolver

el problema de optimizaci on en el siguiente tiempo de muestreo. Por lo tanto, la ley de control
viene dada por:
u
t
= u
(t|t) (5.12)
El problema de optimizaci on del controlador consiste en obtener la secuencia de valores pre-
sentes y futuros de las variables manipuladas (Flujo de recirculaci on, L
D
y Flujo del rehervidor,
V
R
), que minimizan la funci on de costo. Las salidas corresponden a la composici on molar de
etanol en el destilado (x
D
) y la composici on molar de etanol en fondos (x
B
).
La soluci on num erica del problema debe realizarse empleando un algoritmo especco bastante
eciente y robusto que permita trabajar con un n umero elevado de variables. En este caso en
particular se emplea la funci on fmincon del toolbox de optimizaci on de Matlab, desarrollado
100
por The MathWorks.
El objetivo de esta funci on es encontrar el mnimo del valor escalar que devuelve una funci on
de varias variables no lineales y sujeta a una serie de restricciones. Normalmente se conoce
este tipo de problemas como optimizaci on no lineal con restricciones o programaci on no lin-
eal. La funci on escalar de varias variables corresponde a la funci on objetivo (Ecuaci on. 5.3) y
las restricciones se reescriben en forma de menor o igual que una constante.
5.6. Optimizaci on par ametros de penalizaci on del error y del es-
fuerzo de control de control
Los par ametros de penalizaci on del error y del esfuerzo de control son par ametros empricos
que deben ser optimizados con el n de que el controlador sea robusto y a su vez suave en su
respuesta. Se presentan y aplican dos m etodos para la selecci on de dichos par ametros.
5.6.1. M etodo gr aco
La selecci on de los par ametros de penalizaci on del error,
i
y del esfuerzo de control,
i
, se
realiz o empleando el m etodo de ensayo y error. Inicialmente se calcul o el error nal (E.F.) para
la composici on de destilado y de fondos, con respecto a la referencia, la integral del cuadrado
del error (ICE) y la integral del cuadrado del esfuerzo de control (ICU). Estos criterios se
eval uan para ciertos valores en los par ametros de penalizaci on del error y del esfuerzo de
control, con el n de determinar la regi on en la cual se encuentran los valores optimos de
dichos par ametros. Se graca como una supercie la regi on en la cual el desempe no de los
par ametros es mejor para identicar las regiones en las que se encuentran los valores optimos.
El objetivo del m etodo es seleccionar por ensayo y error a partir de las supercies, los valores
de par ametros de penalizaci on del error y del esfuerzo de control, que minimicen la funci on
objetivo de forma tal que el error nal de las variables controladas, el ICE y el esfuerzo de
control sean mnimos.
5.6.1.1. Par ametro de penalizaci on del error
Para la determinaci on del par ametro de penalizaci on del error (), inicialmente se realiza al
an alisis del comportamiento del porcentaje de error nal con respecto a cada una de las varia-
101
bles controladas (composici on de etanol en el destilado, x
D
y composici on de etanol en fondos,
x
B
), la ICE y la ICU, al emplear diferentes valores en los par ametros que penalizan el error (
1
y
2
).
Los valores que se emplean para los par ametros de penalizaci on del error en la funci on de costo
1
y
2
, se encuentran entre 1 y 10
6
. El valor superior de este ensayo se selecciona con base en
el criterio adoptado por el modelo planteado por Deshpande (Deshpande et al., 1995). El autor
en este artculo sugiere que el par ametro de penalizaci on del error debe ser de una magnitud
elevada del orden de 10
6
.
En la Tabla. 5.1 se encuentran registrados los resultados obtenidos con respecto al porcentaje de
error nal alcanzado por la composici on molar de etanol en el destilado (x
D
). En la Tabla.5.2
se reportan los resultados obtenidos con respecto al porcentaje de error nal alcanzado por la
composici on molar de etanol en fondos (x
B
), con respecto a la variaci on de los par ametros de
penalizaci on del error
1
y
2
entre 1 y 10
6
.
En la Tabla. 5.1 se puede apreciar que los resultados de los valores del porcentaje de error
Tabla 5.1: Porcentaje de error nal con respecto a la composici on molar de destilado (x
D
)
variando
1
y 2
2
1 10
1
10
2
10
3
10
4
10
5
10
6
1 0.80883 1.99808 1.16117 0.63655 0.03528 1.77149 0.00062
10
1
0.55669 0.55100 0.75414 1.96881 0.04533 0.00133 0.00098
10
2
0.49208 0.49143 0.48486 1.85524 0.10092 0.00107 0.00014
10
3
0.37753 0.37740 0.37616 2.53527 0.01681 0.00438 0.00092
10
4
0.63116 0.63117 0.63127 2.51129 0.10182 0.02201 0.00176
10
5
0.65999 0.65994 0.65945 2.57467 0.05805 0.00218 0.00006
10
6
1.11014 1.11010 1.10993 0.00108 0.00317 0.01083 0.00072
nal de la composici on de etanol en el destilado (x
D
) con respecto a la referencia de 0,82,
muestran que para el valor del par ametro de penalizaci on del error (
1
) de 10
6
el porcentaje de
error con respecto a x
D
es mucho menor en comparaci on con los par ametros de magnitudes
menores como 1 y 10
1
, esto verica el criterio propuesto por (Deshpande et al., 1995). Sin em-
bargo, a partir de los resultados del error nal en la composici on de destilado (x
D
) con respecto
102
Figura 5.4: Supercie del absoluto del error nal con respecto a x
D
al realizar variaciones en
los par ametros de penalizaci on del error,
1
y
2
a la referencia se puede establecer un rango entre 10
4
y 10
6
para la selecci on de los valores
correspondientes a los par ametros de penalizaci on del error (
1
y
2
).
Con el n de seleccionar los par ametros de error (
1
y
2
) por el m etodo de ensayo y error se
realiza una gr aca (Figura. 5.4), con los par ametros dentro del rango establecido a partir de la
Tabla. 5.1 entre 10
4
y 10
6
. En esta gura se pueden identicar las regiones para las cuales el
porcentaje de error nal con respecto a la composici on nal de destilado (x
D
) es mnimo. La
supercie obtenida se encuentra en dos vistas la primera corresponde a una vista superior y la
segunda a una vista complemento en los tres ejes coordenados.
103
Figura 5.5: Supercie del absoluto del error nal con respecto x
B
al realizar variaciones en los
par ametros de penalizaci on del error,
1
y
2
La Figura. 5.4 presenta regiones de porcentaje de error absoluto en el rango de [0 5 10
3
],
el lmite superior de esta gr aca fue acotado con nes gr acos. Esto indica que las regiones de
color caf e corresponden a errores iguales o superior a 5 10
3
. Las regiones de color azul son
las regiones que presentan menor porcentaje de error, por lo tanto, estas regiones corresponden
a regiones en las cuales se encuentran los par ametros posibles para la penalizaci on del error.
Estas regiones marcadas en la gr aca (Figura. 5.4) son comparadas con los datos reportados
para porcentaje de error nal de la composici on de fondos y el ICE.
La Tabla. 5.2 registra los valores correspondientes al valor absoluto del porcentaje de error
104
Tabla 5.2: Absoluto del porcentaje de error nal con respecto a x
B
variando los par ametros de
1
y
2
2
1 10
1
10
2
10
3
10
4
10
5
10
6
1 0.01615 0.02866 0.03292 0.01413 0.04273 0.93292 0.01770
10
1
0.00255 0.00007 0.00004 0.01232 0.00363 0.00087 0.00332
10
2
0.00004 0.00005 0.00003 0.00095 0.00042 0.00013 0.00034
10
3
0.00000 0.00000 0.00000 0.00014 0.00015 0.00003 0.00002
10
4
0.00000 0.00000 0.00000 0.00001 0.00000 0.00001 0.00072
10
5
0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
10
6
0.00000 0.00000 0.00000 0.00103 0.00000 0.00000 0.00000
nal de la composici on de etanol en fondos con respecto a la referencia de 0,01. Se observa
que para todos los valores del par ametro de penalizaci on del error el porcentaje de error con
respecto a esta variable es mnimo. Para esta caso tambi en fue realizada una supercie (Figura
5.5) teniendo en cuenta el criterio sugerido por los resultados con respecto al porcentaje de
error nal de la composici on de etanol en el destilado.
En la Figura. 5.5 las regiones de porcentaje de error se encuentran en el rango de [0 510
3
].
Las regiones de color caf e corresponden a errores iguales o superiores a 5 10
3
. El valor de
5 10
3
corresponde a una cota seleccionada con nes gr acos. Las regiones de color azul
son las regiones que presentan menor porcentaje de error, en esta gr aca se puede observar que
la mayora de las regiones corresponden a este color dando muchas posibles combinaciones de
par ametros para los cuales este porcentaje de error es mnimo.
Los resultados de las regiones optimas para la selecci on de los par ametros de penalizaci on del
error son corroboradas comparando las regiones de las Figuras 5.4 y 5.5, con las de las Figuras
5.6 y 5.7, debido a que el criterio para la selecci on de los par ametros es que el porcentaje de
error nal sea cercano a cero y que las integrales del cuadrado del error y del cuadrado del
esfuerzo de control, tambi en sean mnimas.
La Figura. 5.6, corresponde a la supercie de la integral del cuadrado del error y las regiones
sombreadas de color azul corresponden a las regiones en las cuales para ciertas combinaciones
de par ametros la integral del cuadrado del error es mnima con respecto a otras combinaciones.
105
Figura 5.6: Supercie de la integral del cuadrado del error (ICE), variando los par ametros de
1
y
2
En la Figura. 5.7 se presentan los resultados correspondientes a la integral del cuadrado del
esfuerzo de control. En esta gr aca se puede apreciar una peque na regi on en la cual la inte-
gral del cuadrado del esfuerzo de control es mnimo. Est a regi on se encuentra para valores de
1
[2,510
5
510
5
], y para valores de
2
[110
4
510
4
]. Comparando dicha regi on
con las regiones presentadas en la gr acas anteriores, se puede concluir que la regi on determi-
nada a partir de la Figura. 5.7 es optima para la selecci on de los par ametros de penalizaci on del
error
1
y
2
.
106
Figura 5.7: Supercie de la integral del cuadrado del esfuerzo de control (ICU), variando los
par ametros de penalizaci on del error
1
y
2
5.6.1.2. Par ametro de penalizaci on del esfuerzo de control
El an alisis correspondiente al par ametro de penalizaci on del esfuerzo de control se realiza de la
misma forma que el an alisis para la selecci on del par ametro de penalizaci on del error, evaluan-
do el porcentaje de error nal con respecto a cada una de las variables controladas, el ICE y el
ICU. Los par ametros que penalizan el esfuerzo de control en la funci on del error corresponden
a
1
y
2
, para el an alisis se toman valores entre 1 y 10
6
, ya que este fue el rango empleado
para el an alisis de los par ametros
1
y
2
.
107
Tabla 5.3: Absoluto del porcentaje de error nal con respecto a la composici on molar de fondos
(x
D
1
y
2
2
1 10
1
10
2
10
3
10
4
10
5
10
6
1 0.00260 0.00128 0.00112 0.00763 0.01241 1.12103 4.62933
10
1
0.00298 0.00346 0.00042 0.00457 0.00998 1.12117 4.62928
10
2
0.00068 0.00232 0.00229 0.00124 0.00943 1.12067 4.62936
10
3
0.00276 0.00073 0.00462 0.00979 0.00715 1.12387 4.62935
10
4
0.00142 0.00045 0.00490 0.00027 0.01271 1.16024 4.62858
10
5
0.00148 0.00245 0.00159 0.00218 0.08767 1.40554 4.61419
10
6
0.56941 0.57041 0.57710 0.60805 0.90880 1.96412 4.30721
Tabla 5.4: Absoluto del porcentaje de error nal con respecto a la composici on molar de fondos
(x
B
1
y
2
2
1 10
1
10
2
10
3
10
4
10
5
10
6
1 0.00003 0.00000 0.00000 0.00011 0.00004 0.00056 0.00122
10
1
0.00116 0.00040 0.00000 0.00000 0.00003 0.00056 0.00122
10
2
0.00000 0.00000 0.00000 0.00000 0.00003 0.00056 0.00122
10
3
0.00024 0.00002 0.00000 0.00014 0.00001 0.00056 0.00122
10
4
0.00002 0.00000 0.00004 0.00000 0.00002 0.00058 0.00123
10
5
0.00000 0.00000 0.00000 0.00000 0.00008 0.00069 0.00123
10
6
0.00045 0.00045 0.00045 0.00046 0.00057 0.00087 0.00108
En las Tablas. 5.3 y 5.4 se observan los resultados obtenidos con respecto al absoluto del por-
centaje de error nal alcanzado por las variables controladas (composici on molar de etanol en
el destilado, x
D
y composici on molar de etanol en fondos, x
B
), con respecto a la variaci on de
los par ametros de penalizaci on del error
1
y
2
.
En la Tabla. 5.3 se reportan los valores del porcentaje de error nal de la composici on de
etanol en el destilado con respecto a la referencia de 0,82. Se observa un comportamiento in-
verso al presentado por el par ametro de penalizaci on del error, ya que a menores magnitudes
108
D
con variaciones en los
1
y
2
de
1
y
2
se presenta un porcentaje de error menor con respecto a la composici on de etanol en
el destilado. El rango en el cual se pueden seleccionar valores optimos para la penalizaci on del
esfuerzo de control [1 10
3
].
La Figura. 5.8 presenta las regiones del absoluto del porcentaje de error en el rango de [0 0,024]
Las regiones de color azul corresponden a la combinaci on de par ametros de penalizaci on del
esfuerzo de control, ante los cuales se presenta el menor porcentaje de error con respecto a la
composici on de destilado (x
D
). Se observa que para valores de
2
menores a 100, existe una
regi on con diversas combinatorias de
1
, en las cuales se obtendra un porcentaje nal con re-
109
Figura 5.9: Supercie de error nal con respecto a x
B
con variaciones en los par ametros de
penalizaci on del esfuerzo de control,
1
y
2
specto a la composici on de destilado mnimo.
En la gr aca tambi en se puede observar que cuanto m as se acercan los valores de los par amet-
ros
1
y
2
a 1, menor es el porcentaje nal de error. Este resultado es comparado con las
gr acas reportadas para porcentaje de error nal de la composici on de fondos, el ICE y el ICU
(Figuras.5.9, 5.6 y 5.7). El criterio para la selecci on de los par ametros es que el porcentaje de
error nal tienda a cero y que las integrales del cuadrado del error y del cuadrado del esfuerzo
de control, tambi en sean mnimas.
En la Tabla. 5.4 se presentan los valores del porcentaje de error nal de la composici on de
110
Figura 5.10: Supercie de la integral del cuadrado del error (ICE), variando los par ametros de
penalizaci on del esfuerzo de control,
1
y
2
etanol en fondos con respecto a la referencia de 0,01. En esta tabla se observa que el porcenta-
je de error con respecto a esta variable siempre es peque no, sin embargo es menor cuando se
emplean magnitudes de
1
y
2
entre 1 y 10
4
.
En la Figura. 5.9 se exhiben las regiones correspondientes al valor del porcentaje de error
con respecto a la composici on de fondos. Estas regiones se encuentran dentro de un rango de
[0 1,6 10
3
]. Se observa que la mayor parte de la regiones corresponden a porcentajes
mnimos indicados por el color azul y se verica la regi on en la cual deben seleccionarse los
par ametros haciendo enfasis en que el porcentaje de error de la composici on de los productos
111
Figura 5.11: Supercie de la integral del cuadrado del esfuerzo de control (ICU), variando los
1
y
2
de destilado y fondos sea mnima.
La Figura. 5.10, corresponde a la supercie de la integral del cuadrado del error. Las regiones
sombreadas de color azul corresponden a las regiones en las cuales para ciertas combinaciones
de par ametros la integral del cuadrado del error es menor con respecto a las otras regiones. Se
observa que la integral del cuadrado del error es menor cuando los par ametros son cercanos a
cero.
En la Figura. 5.11 se presenta la supercie correspondiente a los resultados de la integral del
cuadrado del esfuerzo de control. En esta gr aca se observa una peque na regi on en los valores
112
minimos del par ametro en la cual la integral del cuadrado del esfuerzo de control es mnima.
Realizando un an alisis detallado sobre esta regi on los valores para la selecci on de los par amet-
ros de penalizaci on del error
1
y
2
, tendr an un lmite superior de 40 y un lmite inferior de
1.
5.6.1.3. Relaci on entre los par ametros de penalizaci on del error y del esfuerzo de control
D
para la relaci on de
par ametros de penalizaci on del error y del esfuerzo de control,
1
/
2
y
1
/
2
El an alisis gr aco de los par ametros de penalizaci on del error y del esfuerzo de control se re-
alizaron con respecto a la relaci on existente entre cada uno de ellos, es decir,
1
/
2
y
1
/
2
.
113
Figura 5.13: Supercie de error nal con respecto a x
B
para la relaci on de par ametros de
penalizaci on del error y del esfuerzo de control,
1
/
2
y
1
/
2
En las Figuras 5.12 a 5.14, se presentan las supercies para el absoluto del porcentaje de error
nal de la variable controlada x
D
, el error nal de la variable controlada x
B
y la integral del
cuadrado del esfuerzo de control. Las guras se encuentran en dos vistas con el n de identi-
car las regiones optimas de selecci on de par ametros con mayor facilidad.
En la Figura.5.12 se presenta la supercie del absoluto del porcentaje de error nal para la
composici on de etanol en el destilado. Las regiones que se exhiben en la gr aca se encuentran
en el rango de [0 8,510
3
]. Las regiones correspondientes al color caf e poseen un porcenta-
je de error de 8,5 10
3
o mayores, debido a que para efectos gr acos los resultados fueron
114
Figura 5.14: Supercie de la integral del cuadrado del esfuerzo de control (ICU), para la
relaci on de par ametros de penalizaci on del error y del esfuerzo de control,
1
/
2
y
1
/
2
acotados en 8,5 10
3
. Las regiones de color azul corresponden a porcentajes de error nal
tendientes a cero, indicando que cuando la relaci on es mayor a 40 se minimiza el porcentaje de
error nal con respecto a la composici on de etanol en el destilado.
La Figura. 5.13 presenta la supercie del porcentaje de error nal para la composici on de etanol
en fondos. Las regiones presentadas en la gr aca se encuentran acotadas entre [03 10
4
, las
regiones correspondientes al color caf e poseen un porcentaje de error de 3 10
4
o mayores,
por efectos gr acos. En la Figura 5.13, se observa que la mayor parte de la gr aca corresponde
a valores mnimos del absoluto del porcentaje de error con respecto a la composici on de fondos,
115
contrario a lo observado en la Figura.5.12 del absoluto del porcentaje de error con respecto a la
composici on de destilado. Por lo tanto, para la selecci on de la mejor combinaci on de par amet-
ros de penalizaci on del error y del esfuerzo de control es m as relevante el valor del absoluto
del porcentaje de error nal de la composici on de destilado que el absoluto del porcentaje de
error nal de la composici on de fondos.
La Figura. 5.14 presenta la supercie de la integral del cuadrado del esfuerzo de control. En esta
gr aca la regi on sombreada de azul corresponde a los valores mnimos obtenidos con respecto
a la relaci on de
1
/
2
y
1
/
2
. Esta regi on corresponde a una sola combinaci on de par ametros
par alos cuales el error nal con respecto a las variables de salida no corresponde al mnimo.
Sin embargo la gr aca presenta una regi on de color amarillo en la cual el ICU tiene valores
aceptables para la relaci on de los par ametros
1
y
2
en el rango comprendido entre 1 40 y
para la relaci on de los par ametros
1
y
2
entre 25 80.
5.6.1.4. Resultados obtenidos a partir del m etodo de ensayo y error para la selecci on de
par ametros
De acuerdo con las supercies, se seleccionaron ciertas combinaciones de par ametros de penal-
izaci on del error (
1
y
2
) y del esfuerzo de control (
1
y
2
), dentro de regiones establecidas.
En la Tabla. 5.5, se encuentran los valores mnimos y m aximos que acotan la regi on en la cual
se seleccionan los par ametros de penalizaci on del error.
La regi on acotada de selecci on de los par ametros se establece a partir del an alisis gr aco real-
izado en las secciones 5.6.1.1 y 5.6.1.2, teniendo en cuenta las regiones en las cuales el sistema
presenta valores mnimos con respecto a los criterios de selecci on: error nal en la composi-
ci on de etanol en el destilado y en fondos, integral del cuadrado del error (ICE) y integral del
esfuerzo de control (ICU).
Tabla 5.5: Valores mnimos y m aximos permitidos para la selecci on de los par ametros de pe-
nalizaci on por el m etodo de b usqueda aleatoria
Par ametro Valor Mnimo Valor M aximo
1 2,5 10
5
5 10
5
2 1 10
4
5 10
4
1 10 40
2 1 10
116
Figura 5.15: Comportamiento en lazo cerrado del sistema de la columna de destilaci on binaria
utilizando los par ametros del ensayo 1 (Tabla. 5.6)
En la Tabla. 5.6 se presentan algunas de las combinaciones empleadas para la selecci on de los
par ametros de penalizaci on del error y del esfuerzo de control.
Con el n de evaluar el comportamiento del sistema en lazo cerrado empleando las combina-
ciones de par ametros registrados en la Tabla. 5.6 se realizan variaciones en el punto de ajuste
del sistema en espacios de tiempo de 1 hora. El resultado obtenido se presenta en las Figuras.
5.15,5.16 y 5.17.
La Figura 5.15, corresponde al comportamiento del sistema en lazo cerrado ante cambios
Tabla 5.6: Resultado de ensayos de par ametros de penalizaci on del error y del esfuerzo de
control
Ensayo 1 2 1 2 % Error % Error ICE ICU
xD xB
1 5,0 10
5
2,5 10
4
10 5 5,67 10
4
2,21 10
6
1,60 10
5
268694,868
2 1,0 10
5
1,0 10
4
20 10 2,02 10
2
1,31 10
5
2,30 10
5
267548,33
3 5,0 10
5
1,0 10
4
40 1 7,37 10
4
2,58 10
6
1,90 10
5
268091,84
117
en el punto de ajuste empleando los par ametros del ensayo 1. En la gr aca se observa que la
se nal del esfuerzo de control se satura en el lmite superior de la variable cuando se presentan
cambios positivos en la referencia y se satura en el lmite inferior cuando se presentan cambios
negativos en el punto de ajuste. De igual forma se observa que la respuesta al cambio de refer-
encia es demasiado r apida con respecto al tiempo, tiempo ante el cual muy probablemente el
actuador no alcanza a desempe narse correctamente. Finalmente, se observa que el sistema en
lazo cerrado hace el seguimiento correcto de la referencia, sin embargo, esta combinaci on de
par ametros no es la apropiada para el controlador.
En la Figura 5.16 se encuentra la simulaci on del sistema en lazo cerrado al emplear los par amet-
ros del ensayo 2, en este caso la se nal de control presenta un comportamiento oscilatorio bas-
tante pronunciado en el esfuerzo de control. Este comportamiento oscilatorio presentado por
el sistema al realizar el seguimiento a la referencia genera un tiempo de estabilizaci on mucho
mayor que en el caso anterior en especial para cambios de referencia decrecientes.
La Figura 5.17 presenta la simulaci on del sistema en lazo cerrado al emplear la combinaci on
118
de par ametros del ensayo 3 (Ver Tabla. 5.6). En esta gr aca se observa que el tiempo de esta-
bilizaci on del sistema es moderado, las oscilaciones con respecto a la variable de entrada son
moderadas y el sistema rastrea perfectamente la referencia.
La combinaci on de par ametros de penalizaci on seleccionados, a partir del an alisis de las Fig-
uras. 5.15 a 5.17, corresponden al ensayo 3 (Ver Tabla. 5.6). Para evaluar la estabilidad de la
respuesta del sistema en lazo cerrado empleando esta combinaci on de par ametros se realiza un
an alisis de la respuesta del mismo al realizar variaciones tipo escal on en las variables de pertur-
baci on: Flujo de Alimentaci on F y Composici on de Alimento z
F
. La aplicaci on de escalones
en las variables de perturbaci on del sistema se efectuan a partir del tiempo de simulaci on cor-
respondiente a 1 hr, tiempo en el cual el sistema ya ha alcanzado el estado estacionario.
Los escalones aplicados corresponden a aumentos y diminuciones con respecto a la variable
perturbada en espacios de tiempo de t = 1 hr de +20 %,+10 %,20 % y 10 %, respectiva-
mente. Los resultados de las simulaciones se presentan en las Figuras. 5.18 y 5.19.
La estabilidad del sistema de control predictivo implementado con los par ametros obtenidos
119
Figura 5.18: Comportamiento del sistema en lazo cerrado variando F escalones de 20 % y
10 % utilizando los par ametros del ensayo 3 (Tabla. 5.6)
en el ensayo 3, se analiza gr acamente evaluando el comportamiento del porcentaje de error
nal con respecto a la composici on de destilado y al porcentaje de error nal con respecto a
la composici on de fondos, perturbando el ujo de alimentaci on (F) y la composici on de ali-
mentaci on z
F
.
El ujo de alimentaci on fue perturbado en un rango de 380700 kgmol/hr, el cual se selecciona
tomando como criterio que la variaci on m axima existente en las variables de perturbaci on se
encuentran acotadas en 30 % del valor del ujo de alimentaci on para el cual est a dise nada la
columna 540 kgmol/hr.
La variaci on que se realiza con respecto a la composici on de alimentaci on a la columna se hace
con base en el mismo criterio asumido para el ujo de alimentaci on, es decir, que fue tomado
un rango de 30 % del valor de la composici on para la cual fue dise nada la columna, valor
correspondiente a 0,25. El rango para la composici on molar de alimentaci on se determina en-
tre 0,18 0,32.
La Figura. 5.20, presenta el comportamiento del porcentaje de error de la composici on de des-
120
Figura 5.19: Comportamiento del sistema en lazo cerrado variando de z
F
escalones de 20 %
y 10 % utilizando los par ametros del ensayo 3 (Tabla. 5.6)
Figura 5.20: Comportamiento del porcentaje de error nal alcanzado por el sistema en lazo
F
con respecto a x
D
121
F
con respecto a x
B
tilado con respecto a variaciones en las variables de perturbaci on. Toda la regi on se encuentra
en un porcentaje de error muy peque no del orden de 10
4
. Sin embargo existe un pico en el
punto en el cual las variables de perturbaci on se encuentran en el lmite superior, est a regi on se
presenta debido a que las condiciones ya son extremas y las restricciones de las variables ma-
nipuladas se encuentran en el lmite, sin embargo, el valor del porcentaje de error sigue siendo
mnimo.
En la Figura. 5.21,se presenta el comportamiento del porcentaje de error de la composici on
de fondos con respecto a variaciones en las variables de perturbaci on. La gr aca presenta el
mismo comportamiento de la Figura. 5.20. Se observa que el orden del absoluto del porcentaje
de error es de 10
6
y presenta un pico en el punto en el cual las variables de perturbaci on se
encuentran en el lmite superior, correspondiendo a un porcentaje de error mnimo lo cual de-
muestra la estabilidad local del sistema en lazo cerrado, empleando los par ametros de ensayo
3 (Ver Tabla. 5.6).
5.6.2. M etodo de b usqueda aleatoria modicado basado en el algoritmo de Sols
En las supercies presentadas en la subsecci on 5.6.1, se observan diversas regiones en la cuales
existen valores mnimos de penalizaci on del error. Estos valores corresponden a mnimos lo-
cales, que se pueden calcular a partir de la utilizaci on de un m etodo de b usqueda aleatoria
122
secuencial como el propuesto en el algoritmo de Sols (Solis and Wets, 1981).
Sols (Solis and Wets, 1981), presenta un algoritmo de b usqueda aleatoria secuencial el cual
converge asint oticamente con probabilidad de uno al valor optimo global o local seg un el ca-
so. El m etodo es capaz de generar y aceptar los puntos candidatos en la regi on del espacio de
dise no, por lo tanto, resulta util y conveniente emplear este m etodo para la soluci on del proble-
ma de optimizaci on de los par ametros de penalizaci on del error.
El algoritmo de b usqueda aleatoria secuencial presentado por Sols en su trabajo (Solis and
Wets, 1981), se puede resumir en los siguientes tems.
Se elige un valor inicial (punto inicial) para los par ametros enteros del controlador, las
varianzas y los centros de las gaussianas (para la generaci on de n umeros aleatorios).
Se genera un vector aleatorio de enteros de distribuci on gaussiana.
Se obtienen dos nuevos puntos sumando y restando esos vectores al punto actual.
La funci on de coste se eval ua en el punto original y en los nuevos, y el algoritmo elige el
punto con el coste m as peque no.
Si se satisface alg un criterio de convergencia, el algoritmo se detiene, en caso contrario
debe generar un nuevo vector aleatorio.
Los autores K. Hamzacebi y F. Kutay, reportan dos trabajos en los cuales se publican apli-
caciones del empleo t ecnicas de b usqueda aleatoria, los cuales son algoritmos heursticos
muy simples para determinar mnimos locales o mnimos globales (Hamzacebi and Kutay,
2006, Hamzacebi and Kutay, 2007). Estos trabajos son basados en la t ecnica de Sols. El algo-
ritmo detallado de c alculo corresponde a (Hamzacebi and Kutay, 2006, Hamzacebi and Kutay,
2007):
Paso 1. Conjunto de valores iniciales
i. Criterio de parada: epoch(E)
ii. Intervalo dx para la selecci on de
iii. N umero m aximo de iteraciones (N general)
123
Paso 2. Selecci on de un vector inicial aleatorio (x actual) y su correspondencia como
soluci on de (f actual). La soluci on actual coincide con la mejor soluci on (f mejor=f
actual).
Paso 3. Contador de iteraci on en cero (n=0).
Paso 4. Generaci on del vector actual en un rango (, )
Paso 5. f nuevo=f(x actual+dx)
Si f nuevo < f mejor, entonces, f mejor = f nuevo, x mejor = x actual + dx. Incrementar
la iteraci on, n = n + 1
Ir al paso 7
Si f nuevo <f actual, entonces, f actual =f nuevo y x actual =x actual +dx. Incrementar
Ir al paso 7
Paso 6. f nuevo= f(x actualdx)
Si f nuevo < f mejor, entonces, f mejor = f nuevo, x mejor = x actual dx. Incrementar
Ir al paso 7
Si f nuevo <f actual, entonces, f actual =f nuevo y x actual =x actual dx. Incrementar
Ir al paso 7
Paso 7. Si el contador de iteraci on es menor que el valor m aximo de iteraciones (n < N),
ir al Paso 4.
Paso 8. =(/fnuevo) (fmejor/factual
Paso 9. Si el criterio de parada se cumple nalizar, de lo contrario, ir al Paso 3.
Este algoritmo posee dos ciclos iterativos con criterios de parada con n umero m aximo de it-
eraciones en algunos casos hasta del orden de 5 10
5
. Estas magnitudes tan elevadas para
124
el n umero de iteraciones resulta poco aceptable para ser aplicado en este problema de opti-
mizaci on, debido a que el tiempo de c alculo que requiere la funci on de costo para su min-
imizaci on en cada iteraci on de la b usqueda aleatoria de los par ametros de penalizaci on del
error y del esfuerzo de control, generara un tiempo de c alculo muy grande, por lo tanto, en
esta secci on se propone una modicaci on del algoritmo reportado por (Hamzacebi and Ku-
tay, 2006, Hamzacebi and Kutay, 2007), donde se modica el criterio de parada y la funci on
objetivo.
Paso 1. Conjunto de valores iniciales
i. Criterio de parada: Tolerancia de 1e 15
ii. Intervalo dx para la selecci on de
iii. N umero m aximo de iteraciones (N general)
Paso 2. Selecci on de un vector inicial aleatorio (x actual) y su correspondencia como
soluci on de (f actual). La soluci on actual coincide con la mejor soluci on (f mejor=f
actual).
Paso 3. Contador de iteraci on en cero (n=0).
Paso 4. Generaci on del vector actual en un rango (, )
Paso 5. f nuevo=f(x actual+dx)
Si f nuevo < f mejor, entonces, f mejor = f nuevo, x mejor = x actual + dx. Incrementar
Si f nuevo <f actual, entonces, f actual =f nuevo y x actual =x actual +dx. Incrementar
Paso 6. f nuevo= f(x actualdx)
Si f nuevo < f mejor, entonces, f mejor = f nuevo, x mejor = x actual dx. Incrementar
Si f nuevo <f actual, entonces, f actual =f nuevo y x actual =x actual dx. Incrementar
125
Paso 7. =(/fnuevo) factual
Paso 8. Si el contador de la iteraci on es menor que el valor m aximo (n<N general),
volver al Paso 4.
Paso 9. Si es mayor que el criterio de parada, volver al paso 4.
Paso 10. Si el contador es mayor que el n umero m aximo de iteraciones o es menor que
el criterio de parada, terminar el ciclo iterativo.
El nuevo criterio de parada corresponde al valor nal de la regi on , la cual tiende a 0 cuando se
aproxima al valor mnimo local de esa regi on. El algoritmo de c alculo propuesto fue probado
inicialmente con los ejemplos reportados por (Hamzacebi and Kutay, 2006, Hamzacebi and
Kutay, 2007), y se observa que el tiempo de c alculo disminuye razonablemente obteniendo los
mismos resultados que los obtenidos en el algoritmo inicial.
5.6.2.1. Resultados obtenidos a partir de m etodo de b usqueda aleatoria
El comportamiento de la funci on objetivo del algoritmo de control en el intervalo de opti-
mizaci on de los par ametros de penalizaci on del error se analiza gr acamente. En la Figura
5.22 se presenta el comportamiento de la funci on objetivo con respecto a los par ametros de
penalizaci on del erro,
1
y
2
.
Esta gr aca tiene como objetivo determinar si el problema presenta un mnimo global o mni-
mos locales. En ella se observa que existen diversas regiones en las se presentan mnimos
locales, por lo tanto, el par ametro de optimizaci on obtenido con el m etodo de b usqueda aleato-
ria corresponde a un optimo local.
El m etodo de b usqueda aleatoria inicialmente se aplica para la selecci on de los par ametros de
penalizaci on del error. Los par ametros de penalizaci on del error son: el par ametro de penal-
izaci on del error con respecto a la composici on molar de destilado (x
D
),
1
y el par ametro de
penalizaci on del error con respecto a la composici on molar de fondos (x
B
),
2
. Las condiciones
iniciales empleadas en el algoritmo de c alculo corresponden a x
0
= [
1

2
]
T
= [5e5 1e4]
T
y
= 1e6 con un criterio de parada dada por una tolerancia de 10
15
. Finalmente, se emplea el
m etodo de b usqueda aleatoria para la selecci on de los par ametros de penalizaci on del esfuerzo
de control. Los par ametros de penalizaci on del esfuerzo de control son: el par ametro de penal-
izaci on del esfuerzo de control con respecto al ujo molar de lquido (L
D
),
1
y el par ametro
126
Figura 5.22: Comportamiento de la funci on objetivo con respecto al par ametro
1
y
2
de penalizaci on del esfuerzo de control con respecto al ujo molar de vapor (V
R
),
2
. Las
condiciones iniciales empleadas en el algoritmo de c alculo corresponden a x
0
= [
1

2
]
T
=
[40 20]
T
y = 50 con un criterio de parada dada por una tolerancia de 10
15
.
En la Tabla. 5.7, se presenta el valor optimo local de los par ametros de penalizaci on del error
(
1
y
2
) y los par ametros de penalizaci on del esfuerzo de control (
1
y
2
), que se obtienen de
la soluci on del algoritmo modicado de b usqueda aleatoria.
El resultado que se presenta en la Tabla. 5.7 corresponde a una de los mnimos locales que
posee la soluci on del la funci on objetivo por el m etodo de b usqueda aleatoria. Este m etodo
como su nombre lo indica proporciona muchas combinaciones de par ametros debido a que su
convergencia es aleatoria y en este problema en particular se presentan mnimos locales para
diferentes combinaciones de par ametros. Su aplicaci on en la parte de control resulta ser una
herramienta util para el c alculo de los par ametros de sintonizaci on de los algoritmos de control.
Tabla 5.7: Par ametro de penalizaci on obtenido aplicando el m etodo de b usqueda aleatoria
Par ametro Valor
1 1,70 10
5
2 6,5 10
4
1 28
2 48
127
En la Figura. 5.23 se observa el comportamiento del sistema en lazo cerrado ante cambios en
la referencia empleando la combinaci on de par ametros de penalizaci on del error (
1
y
2
) y
de penalizaci on del esfuerzo de control (
1
y
2
), obtenidos a partir del m etodo de b usqueda
aleatoria que se presentan en la Tabla. 5.7.
En esta gr aca (Figura. 5.23) se observa que el tiempo de estabilizaci on del sistema es mod-
erado, el esfuerzo de control presenta una respuesta suave ante cambios en el punto de ajuste
positivo y para cambios negativos presenta un sobre impulso elevado y oscilaciones de ampli-
tud muy corta. Sin embargo, se observa que el sistema de control empleando los par ametros
obtenidos con el m etodo de b usqueda aleatoria (Ver Tabla. 5.7), hace un rastreo correcto de la
referencia la referencia.
La Figura 5.24 presenta el comportamiento del sistema en lazo cerrado con variaciones en el
ujo de alimentaci on de la columna (F), empleando la combinaci on de par ametros de penal-
1
y
2
) y de penalizaci on del esfuerzo de control (
1
y
2
), obtenidos a partir
del m etodo de b usqueda aleatoria que se presentan en la Tabla. 5.7. El ujo de alimentaci on de
Figura 5.23: Comportamiento en Lazo Cerrado Variaciones en la Referencia empleando los
par ametros obtenidos por b usqueda aleatoria
128
la columna (F) presenta variaciones tipo escal on de +20 %, +10 %, 20 % y 10 % con respec-
to al valor para el cual est a dise nada la columna (540/kgmol/hr), en periodos de tiempo de
t = 1hr.
En la Figura 5.24 se observa que el esfuerzo de control cuando se aplican variaciones tipo es-
cal on de disminuci on en el ujo molar de alimentaci on de 20 % y 10 % con respecto al valor
para el cual est a dise nada la columna (540/kgmol/hr).
La Figura 5.25 presenta el comportamiento del sistema en lazo cerrado con variaciones en la
composici on molar de alimentaci on en la columna (z
F
) empleando la combinaci on de par amet-
ros de penalizaci on del error (
1
y
2
) y de penalizaci on del esfuerzo de control (
1
y
2
),
obtenidos a partir del m etodo de b usqueda aleatoria que se presenta en la Tabla. 5.7. La com-
posici on molar de alimentaci on en la columna (z
F
) presenta variaciones tipo escal on de +20 %,
+10 %, 20 % y 10 % con respecto al valor para el cual est a dise nada la columna (0,25) en pe-
riodos de tiempo de t = 1hr.
Figura 5.24: Comportamiento del sistema en lazo cerrado al realizar variaciones tipo escal on en
F con magnitudes de 20 % y 10 % con respecto al valor normal, empleando los par ametros
obtenidos por b usqueda aleatoria
129
En la Figura 5.25 se observa que el esfuerzo de control es mayor para variaciones tipo escal on
negativo del 20 % y 10 % con respecto al valor para el cual est a dise nada la columna (0,25).
5.7. Efecto del error en la funci on de costo
La funci on de costo a minimizar en el problema del control (Ecuaci on 5.3), corresponde a una
funci on de costo de la forma,
J
N
=
N
j=1
[e]
2
+
N
j=1
[u]
2
(5.13)
El objetivo de esta secci on es evaluar el efecto que tiene adicionar un t ermino c ubico en la
expresi on de penalizaci on del error, dando origen a una nueva funci on de costo.
J
N
=
N
j=1
[
2
e +
1
e
3
]
2
+
N
j=1
[
4
u +
3
u
3
]
2
(5.14)
Figura 5.25: Comportamiento del sistema en lazo cerrado al realizar variaciones tipo escal on en
z
F
con magnitudes de 20 % y 10 % con respecto al valor normal, empleando los par ametros
obtenidos por b usqueda aleatoria
130
D
1
y
2
1
y
2
La selecci on de los par ametros de penalizaci on del error c ubico,
1
y
2
, se realiza determi-
nando gr acamente las regiones donde los criterios de selecci on son mnimos. Los criterios de
selecci on de las regiones para los par ametros de penalizaci on del error c ubico son: el absoluto
del porcentaje del error nal con respecto a cada una de las variables controladas (x
D
y x
B
), la
integral del cuadrado del error (ICE) y la integral del cuadrado del esfuerzo de control (ICU).
Posteriormente se aplica la t ecnica de b usqueda aleatoria para la selecci on de los par ametros
de penalizaci on del error c ubico en la regi on seleccionada.
En la Figura 5.26 se observa el comportamiento del porcentaje de error con respecto a la com-
posici on de destilado (x
D
) cuando los valores de la penalizaci on del error
1
y
2
(Ecuaci on
5.14) se encuentran en un rango entre 1 y 1.
Cuando el valor del par ametro de penalizaci on del error,
2
se encuentra entre 0,1 y 0,1. El
absoluto del porcentaje de error posee valores superiores al 12 %. Por lo tanto, la regi on en la
cual se debe establecer el par ametro
2
debe omitir la regi on comprendida entre 0,1 y 0,1.
Con respecto al par ametro de penalizaci on del error
1
, omitiendo la regi on comprendida entre
0,1 y 0,1 para el par ametro
2
en la Figura 5.26, se observa que el absoluto del porcentaje
del error se encuentra entre el 0 y el 4 %. Las regiones en las cuales el porcentaje del absoluto
131
B
1
y
2
Figura 5.28: Supercie de la integral del cuadrado del error para los par ametros de penalizaci on
del error c ubico
1
y
2
del error es menor se presentan cuando las combinaciones de par ametros de
1
y
2
poseen
igual signo.
posici on de fondos, variando los par ametros de penalizaci on del error
1
y
2
entre 1 y 1.
En la gr aca se evidencia que la unica la combinaci on de los par ametros de penalizaci on con
132
Figura 5.29: Supercie de la integral del cuadrado del esfuerzo de control para los par ametros
de penalizaci on del error c ubico
1
y
2
un absoluto del porcentaje de error mayor al 5 % es la correspondiente a el cero. Por lo tanto,
cualquier combinaci on de par ametros exceptuando el cero hace que el absoluto del porcentaje
de error con respecto a la composici on molar de fondos (x
B
) sea mnimo.
La Figura 5.28 presenta el comportamiento de la integral del cuadrado del error con respecto
a la variaci on de los par ametros de penalizaci on del error
1
y
2
en el rango entre 1 y 1.
En la gr aca es evidente que el valor del par ametro de penalizaci on
1
debe excluir la regi on
establecida entre 0,1 y 0,1, ya que la integral del cuadrado del error (ICE) es muy grande en
este rango con respecto a las otras regiones. En la Figura 5.29 se presenta el comportamiento
de la integral del cuadrado del esfuerzo de control con respecto a la variaci on de los par ametros
de penalizaci on del error
1
y
2
entre 1 y 1. En la gr aca se puede apreciar que las regiones
donde la integral del cuadrado del esfuerzo de control (ICU) es menor corresponden a las com-
binaciones de los par ametros del mismo signo, combinaciones con valores entre 0 y 1 o entre
0 y 1.
Como resultado se obtiene que el valor optimo de los par ametros de penalizaci on del error
c ubico,
1
y
2
, se encuentran en dos regiones especcas. La primera regi on corresponde a
la combinaci on de par ametros de signo positivo en un rango entre 0,1 y 1, y la segunda regi on
corresponde a la combinaci on de par ametros de signo negativo en un rango entre 0,1 y 1.
133
Figura 5.30: Comportamiento en lazo cerrado variaciones en la referencia incluyendo el
par ametro de penalizaci on del error c ubico en la funci on de costo
A partir de los resultados obtenidos y teniendo establecidas las regiones en las cuales se pueden
encontrar los valores mnimos locales de
1
y
2
, se utiliza el m etodo de b usqueda aleatoria
para el c alculo de los valores optimos.
En la Figura. 5.30 se presenta el comportamiento del sistema en lazo cerrado para la combi-
naci on de par ametros de penalizaci on del error
i
, penalizaci on del esfuerzo de control
i
, y la
combinaci on de par ametros
1
y
2
, que penalizan el error y el error c ubico. En la Tabla. 5.8
se especican los valores de los par ametros empleados.
Los valores correspondientes a los par ametros de penalizaci on del error
1
y
2
, y a los par amet-
ros penalizaci on del esfuerzo de control
1
y
2
, que se reportan en la Tabla. 5.8 corresponden al
ensayo 3 del m etodo de ensayo y error (Ver Tabla. 5.6). El valor del par ametro de penalizaci on
del error
1
y del par ametro de penalizaci on del error c ubico
2
, se calculan por el m etodo de
b usqueda aleatoria.
En esta secci on solo se eval ua el comportamiento del sistema de la columna de destilaci on en
lazo cerrado analizando el efecto del error c ubico en la funci on de costo. El par ametro de pe-
134
Tabla 5.8: Resultado combinaci on de par ametros con el efecto del error c ubico en la funci on
de costo (Ver Figura 5.30
Par ametro Valor
1 5,0 10
5
2 1,0 10
4
1 40
2 1
1 0,225
2 0,603
3 0
4 1
nalizaci on del esfuerzo de control c ubico es igual a cero (
3
= 0). Los par ametros empleados
en esta secci on se encuentran registrados en la Tabla. 5.8.
3
y
4
La selecci on de los par ametros de penalizaci on del esfuerzo de control c ubico,
3
y
4
, se real-
iza determinando gr acamente las regiones donde los criterios de selecci on son mnimos. Los
criterios de selecci on de las regiones para los par ametros de penalizaci on del error c ubico son:
el absoluto del porcentaje del error nal con respecto a cada una de las variables controladas
(x
D
y x
B
), la integral del cuadrado del error (ICE) y la integral del cuadrado del esfuerzo de
control (ICU).
Posteriormente se aplica la t ecnica de b usqueda aleatoria para la selecci on de los par ametros
de penalizaci on del error c ubico optimos.
En la Figura 5.31 se observa el comportamiento del absoluto del porcentaje de error con re-
specto a la composici on de destilado (x
D
). En esta gr aca se evidencia que para la mayora
de combinatorias de los valores de la penalizaci on del esfuerzo de control
3
y
4
(Ecuaci on
5.14) con signos contrarios positivonegativo o negativopositivo, se presentan porcentajes
del absoluto del error hasta del 3,5 %. Deben emplearse combinaciones de par ametros
3
y
4
,
de signos iguales positivopositivo o negativonegativo.
posici on de fondos (x
B
). En esta gr aca se evidencia el mismo comportamiento que el presen-
135
D
utilizando los par ametros
de penalizaci on del esfuerzo de control c ubico
3
y
4
tado en la Figura. 5.32, ya que la mayora de combinatorias de los valores de penalizaci on
del esfuerzo de control
3
y
4
(Ecuaci on 5.14) con signos contrarios positivonegativo
o negativopositivo, presentan porcentajes de error hasta del 1,4 %. Debido a este compor-
tamiento se deben seleccionar combinaciones de par ametros de penalizaci on del esfuerzo de
control,
3
y
4
, de signos iguales.
La Figura 5.33 presenta el comportamiento de la integral del cuadrado del error (ICE) con
respecto a la variaci on de los par ametros de penalizaci on del esfuerzo de control
3
y
4
en-
tre 1 y 1. En la gr aca se observa que para combinaciones de par ametros de penalizaci on
del esfuerzo de control de igual signo la integral del cuadrado del error es menor. La regi on
comprendida en el rango [0,20,2] para
4
, debe ser excluida de la regiones factibles para
la determinaci on del par ametro optimo de penalizaci on del esfuerzo de control, debido a que
presenta valores de la integral del cuadrado del error (ICE) mayores con respecto a las zonas
donde se presentan los valores mnimos de este criterio.
En la Figura 5.34 se presenta el comportamiento de la integral del cuadrado del esfuerzo de
control (ICU) con respecto a la variaci on de los par ametros de penalizaci on del esfuerzo de
control
3
y
4
entre 1 y 1. Las regiones donde la integral del cuadrado del esfuerzo de con-
trol (ICU) es menor, corresponden a combinaciones de los par ametros con signos iguales, es
136
B
penalizaci on del esfuerzo de control c ubico
3
y
4
Figura 5.33: Supercie de la integral del cuadrado del error para los par ametros de penalizaci on
del esfuerzo de control c ubico
3
y
4
decir combinaciones de signo positivopositivo entre 0,1 y 1, y negativonegativo entre 0,1
y 1.
Como resultado se obtiene que el valor optimo de los par ametros de penalizaci on del esfuerzo
de control,
3
y
4
, se encuentran en dos regiones especcas. La primera regi on corresponde
137
Figura 5.34: Supercie de la integral del cuadrado del esfuerzo de control para los par ametros
de penalizaci on del esfuerzo de control c ubico
3
y
4
Tabla 5.9: Resultado combinaci on de par ametros con el efecto del error y del esfuerzo de
control c ubico en la funci on de costo (Ver Figura 5.35
Par ametro Valor
1 5,0 10
5
2 1,0 10
4
1 40
2 1
1 0,225
2 0,603
3 0,932
4 0,855
a la combinaci on de par ametros de signo positivo en un rango de [0,1 1] para
3
y en un rango
de [0,2 1] para
4
. y la segunda regi on corresponde a la combinaci on de par ametros de signo
negativo en un rango de [1 0,1] para
3
y en un rango de [1 0,2] para
4
.
A partir de los resultados obtenidos y teniendo establecidas las regiones en las cuales se
pueden encontrar los valores optimos locales de
3
y
4
. Se procede con el m etodo de b usque-
da aleatoria.
En la Tabla. 5.9 se reportan los resultados de los par ametros de penalizaci on optimos obtenidos
138
Figura 5.35: Comportamiento en lazo cerrado variaciones en la referencia incluyendo el error
y el esfuerzo c ubico en la funci on de costo
a partir del m etodo de b usqueda aleatoria.
En la Figura 5.35 se observa el comportamiento del sistema en lazo cerrado ante cambios en
el punto de ajuste, empleando los valores de los par ametros de penalizaci on del error y del
esfuerzo de control reportados en la Tabla. 5.9.
La Figura 5.36 presenta el comportamiento del sistema en lazo cerrado con variaciones en el
ujo de alimentaci on de la columna (F), empleando la combinaci on de par ametros de penal-
1
y
2
), de penalizaci on del esfuerzo de control (
1
y
2
), de penalizaci on
del error c ubico (
1
y
2
) y de penalizaci on del esfuerzo de control c ubico (
3
y
4
), que se
reportan en la Tabla. 5.9. El ujo de alimentaci on de la columna (F) presenta variaciones tipo
escal on de +20 %, +10 %, 20 % y 10 % con respecto al valor para el cual est a dise nada la
columna (540/kgmol/hr), en periodos de tiempo de t = 1hr.
En la Figura ?? se observa que el esfuerzo de control es mayor para cuando se disminuye el
ujo de alimentaci on a la columna, es decir, cuando se aplican variaciones de 20 % y 10 %
con respecto al valor para el cual est a dise nada.
139
Figura 5.36: Comportamiento del sistema en lazo cerrado al realizar variaciones tipo escal on
en F de 20 % y 10 % incluyendo el error y el esfuerzo c ubico en la funci on de costo
La Figura 5.37 presenta el comportamiento del sistema en lazo cerrado con variaciones en la
composici on molar de alimentaci on a la columna (z
F
), empleando la combinaci on de par amet-
ros de penalizaci on del error (
1
y
2
), de penalizaci on del esfuerzo de control (
1
y
2
), de
penalizaci on del error c ubico (
1
y
2
) y de penalizaci on del esfuerzo de control c ubico (
3
y
4
). Los valores de los par ametros empleados para esta simulaci on se reportan en la Tabla. 5.9.
La composici on molar de alimentaci on a la columna (z
F
) presenta variaciones tipo escal on de
+20 %, +10 %, 20 % y 10 % con respecto al valor para el cual est a dise nada la columna
(0,25), en periodos de tiempo de t = 1hr.
En la Figura 5.37 se observa que el esfuerzo de control es mayor para escalones tipo escal on
negativo. Cuando se aplican variaciones de 20 % y 10 % con respecto al valor para el cual
est a dise nada la columna (0,25).
La estabilidad del sistema de control predictivo implementado con los par ametros presenta-
dos la Tabla 5.9 se analiza realizando un diagrama de bifurcaciones. Se eval ua gr acamente
el comportamiento del absoluto del porcentaje de error nal con respecto a la composici on
140
Figura 5.37: Comportamiento del sistema en lazo cerrado realizar variaciones tipo escal on en
z
F
de 20 % y 10 %
de destilado (x
D
) y el absoluto del porcentaje de error nal con respecto a la composici on de
fondos (x
B
), perturbando el ujo de alimentaci on (F) y la composici on de alimentaci on z
F
.
El ujo de alimentaci on se perturba en un rango de 380 700 kgmol/hr, el cual se selecciona
teniendo en cuenta que la variaci on m axima existente en la variable de perturbaci on se encuen-
tra acotada en 30 % del valor del ujo de alimentaci on para el cual se encuentra dise nada la
columna (540/kgmol/hr).
La composici on molar de alimentaci on a la columna se perturba en un rango de 0,18 0,32
kgmol/hr, debido a que la variaci on m axima existente en la variable de perturbaci on se encuen-
tra acotada en 30 % del valor de la composici on molar de etanol para la cual est a dise nada la
columna (0,25).
La Figura. 5.38 presenta el comportamiento del porcentaje de error de la composici on de des-
tilado con respecto a variaciones en las variables de perturbaci on. El porcentaje de error con
respecto a la composici on de destilado en toda la supercie presenta valores del orden de
10
2
, exceptuando un pico de 0,15 % cuando el ujo de alimentaci on y la composici on de al-
141
F
con respecto a x
D
F
con respecto a x
B
imentaci on se encuentran en el lmite inferior. Sin embargo el valor del porcentaje de error es
aceptable y se presenta debido a que las condiciones y las restricciones de las variables manip-
uladas se encuentran en el lmite.
En la Figura. 5.39 se presenta el comportamiento del porcentaje de error de la composici on de
142
fondos con respecto a variaciones en las variables de perturbaci on. En la gr aca se puede ob-
servar que el porcentaje de error con respecto a la composici on de fondos es del orden de 10
4
,
lo cual demuestra la estabilidad local del sistema en lazo cerrado, empleando los par ametros
presentados en la Tabla 5.9.
5.10. Desempe no del control predictivo basado en el modelo lineal
y en el modelo no lineal de la columna de destilaci on binaria
En la gran mayora de las industrias las columnas de destilaci on presentan esquemas de control
lineal, sin embargo, debido a la din amica no lineal presentada por este tipo de sistemas estos
esquemas de control deben ser replanteados. Por este motivo, en esta secci on se eval ua el de-
sempe no del control predictivo basado en el modelo no lineal (NMPC) con respecto al control
predictivo basado en el modelo lineal (MPC).
El modelo no lineal corresponde a una representaci on de la planta real del proceso de desti-
Figura 5.40: Comportamiento din amico del sistema en lazo cerrado empleando el modelo no
lineal (NMPC) y el modelo lineal (MPC) al realizar variaciones en la referencia
143
laci on binaria de la mezcla etanol-agua y el modelo lineal corresponde a la linealizaci on del
sistema alrededor de un punto de equilibrio.
En el Captulo 4 en la Secci on 4.6 se observa que el comportamiento din amico del sistema
con el modelo lineal al realizar perturbaciones en las variables de entrada no representaba una
buena aproximaci on de la planta real, debido a que es una linealizaci on alrededor de un punto
de equilibrio y ciertos casos la respuesta infringia las restricciones fsicas del sistema. Por este
motivo para el desarrollo del algoritmo de control basado en el modelo lineal (MPC) se incluye
la restricci on dada por la limitante termodin amica con respecto a las variables de estado.
En la Figura. 5.40 se presenta el comportamiento del sistema en lazo cerrado empleando el
modelo no lineal y el modelo lineal. Se observa que con los dos modelos el sistema hace
seguimiento de la referencia. Sin embargo, el esfuerzo de control diere en magnitud signi-
cativamente cuando la referencia (lnea de color amarillo) se aleja del punto de equilibrio
representado por la lnea verde. Esto indica que el sistema de control con el modelo lineal para
cambios en la referencia lejanos al punto de equilibrio no posee un buen desempe no ya que al
Figura 5.41: Comportamiento din amico del sistema con el NMPC y el MPC al realizar varia-
ciones de 20 % y 10 % en F con referencia cercana al punto de equilibrio
144
ciones de 20 % y 10 % en F con referencia lejana al punto de equilibrio
aplicar los cambios en las variables manipuladas el sistema realmente no conduce a la referen-
cia deseada.
Las Figuras. 5.41 y 5.42 presentan el comportamiento del sistema en lazo cerrado empleando el
modelo no lineal (NMPC) y el modelo lineal (MPC) al realizar perturbaciones en la variable de
entrada, ujo molar de alimentaci on F. El ujo de alimentaci on fue perturbado en diferentes
tiempos realizando un aumento o una disminuci on en su valor con respecto al valor para el cual
est a dise nada la columna (540kgmol/hr) en porcentajes de 10 % y 20 %.
En la Figura. 5.41 se observa que el comportamiento del sistema con el MPC y el NMPC posee
una buena aproximaci on al realizar variaciones en el ujo molar de alimentaci on F y teniendo
como referencia un punto cercano al punto de equilibrio. Esto indica que el modelo lineal real-
iza una representaci on aceptable de la din amica del proceso alrededor del punto de equilibrio.
En la Figura. 5.42 se presenta el comportamiento del sistema con el MPC y el NMPC al reali-
zar variaciones en el ujo molar de alimentaci on F teniendo como referencia un punto retirado
al punto de equilibrio. En est a gr aca se observa que la aproximaci on de los dos modelos con
145
ciones de 20 % y 10 % en z
F
con referencia cercana al punto de equilibrio
respecto al esfuerzo de control ya no es aceptable especialmente en los casos donde el ujo de
alimentaci on se incremento en un 10 % y 20 %.
En las Figuras. 5.43 y 5.44 se presenta el comportamiento del sistema en lazo cerrado em-
pleando el modelo no lineal (NMPC) y el modelo lineal (MPC) al realizar perturbaciones en
la variable de entrada, composici on molar de alimentaci on z
F
. La composici on molar de ali-
mentaci on fue perturbada en diferentes tiempos realizando un aumento o una disminuci on en
su valor con respecto al valor para el cual est a dise nada la columna (0,25) en porcentajes de
10 % y 20 %.
La Figura. 5.43 presenta el comportamiento del sistema con el MPC y el NMPC al realizar
variaciones en la composici on molar de alimentaci on z
F
y teniendo como referencia un punto
cercano al punto de equilibrio. El modelo lineal posee una buena aproximaci on con respecto al
modelo no lineal (modelo de la planta), lo cual indica que posee un buen desempe no alrededor
del punto de equilibrio.
En la Figura. 5.44 se presenta el comportamiento del sistema con el MPC y el NMPC al realizar
146
ciones de 20 % y 10 % en z
F
con referencia lejana al punto de equilibrio
variaciones en la composici on de alimentaci on z
F
teniendo como referencia un punto retirado
al punto de equilibrio. En est a gr aca se observa que la aproximaci on de los dos modelos con
respecto al esfuerzo de control es poco aceptable para los casos en los cuales la composici on
molar de alimentaci on se aumento en un 10 % y 20 %.
A partir de los resultados obtenidos se concluye que el desempe no del control predictivo basa-
do en el modelo no lineal (NMPC) es mucho mejor comparado con el desempe no del control
predictivo basado en el modelo lineal (MPC), debido a las limitaciones que representa el mo-
delo lineal, ya que este solo presenta un buen desempe no alrededor del punto de equilibrio. El
control predictivo basado en el modelo no lineal (NMPC) es un controlador mucho m as robus-
to, suave y exible ante cambios en la referencia, responde correctamente ante perturbaciones
y en su algoritmo involucra las restricciones dadas para las variables manipulas y las variables
de estado. El resultado obtenido al aplicar el control predictivo basado en el modelo no lineal
(NMPC) a una columna de destilaci on binaria para la separaci on de la mezcla etanol-agua rep-
resenta una ventaja para la industria, debido a que el modelo no lineal es una representaci on
147
de la compleja din amica del sistema, involucra las interacciones termodin amicas presentes en
cada plato, la interacci on entre las corrientes internas y externas del sistema, y el car acter dis-
tributivo representado por los perles de composici on y temperatura.
5.11. Conclusiones
En este captulo se presentaron las generalidades b asicas del control predictivo basado en el
modelo, haciendo enfasis en el desarrollo en los ultimos a nos del control predictivo basado en
el modelo. Se plantea un algoritmo de control predictivo basado en el modelo no lineal de una
columna de destilaci on binaria, este algoritmo tiene como problema de optimizaci on minimizar
una funci on de costo con restricciones dadas por las variables manipuladas y controladas del
sistema.
La funci on de costo involucra par ametros de penalizaci on del error y del esfuerzo de control,
los cuales fueron optimizados empleando el m etodo de ensayo y error, y el m etodo de b usque-
da aleatoria. Se observa que los par ametros obtenidos a partir de la aplicaci on de estos dos
m etodos dan respuestas similares en el comportamiento de la columna de destilaci on en lazo
cerrado cambiando el punto de ajuste para el cual se dise no el controlador.
Se evalu o el efecto del error en la funci on objetivo, adicionando un par ametro c ubico. Se obser-
va que la adici on del error c ubico en la expresi on con su respectivo par ametro de penalizaci on
aumenta la amplitud de las oscilaciones y suaviza la respuesta del sistema en lazo cerrado. Los
par ametros que penalizan el error y el error c ubico fueron calculados por el m etodo de b usque-
da aleatoria.
Finalmente, el desempe no del control predictivo basado en el modelo no lineal (NMPC) es
mucho mejor comparado con el desempe no del control predictivo basado en el modelo lineal
(MPC), debido a la robustez, exibilidad y suavidad de la respuesta din amica del sistema ante
cambios en la referencia y ante perturbaciones.
148
Captulo 6
Estabilidad del control predictivo
En un controlador predictivo la ley de control se obtiene a partir de la soluci on de un problema
de optimizaci on, en el que se penaliza tanto el error con respecto al punto de equilibrio y el
esfuerzo de control necesario para alcanzar dicho punto. Aunque la soluci on al problema sea
optima no se garantiza la estabilidad del sistema en lazo cerrado. El problema de estabilidad
surge en el desarrollo de controladores predictivos por la necesidad de utilizar un horizonte de
predicci on nito e invariante en el tiempo (Scokaert and Mayne, 1998)y la estrategia de hori-
zonte deslizante.
La teora de Lyapunov proporciona un marco adecuado para el an alisis de la estabilidad de sis-
temas no lineales aut onomos y se extiende a sistemas no aut onomos gracias a la denominada
funci on de Lyapunov de control (CLF) (Allg ower and Zheng, 2000). Relacionada a esta teora
se encuentra el concepto de invariancia positiva de un conjunto en relaci on con un sistema
aut onomo (en lazo cerrado, por ejemplo), puede extenderse a sistemas no aut onomos incorpo-
rando el concepto de invariancia de control.
La teora de conjuntos invariantes da soporte al an alisis de regiones estabilizables, dominios
de atracci on, entre otros y resulta bastante util para el an alisis de sistemas con restricciones. El
enfoque de la estabilidad y robustez del MPC introduciendo conceptos de la teora de conjuntos
invariantes fue discutido por D.Q. Mayne en (Mayne, 2001).
En este captulo se analiza la estabilidad del algoritmo de control predictivo basado en el mo-
delo del sistema no lineal sujeto a restricciones de la columna de destilaci on binaria para la
mezcla etanol-agua.
149
Captulo 6. Estabilidad del control predictivo
6.1. Estabilidad y control predictivo
La soluci on eciente del problema de control optimo es importante para cualquier aplicaci on
del control predictivo basado en el modelo no lineal (NMPC) en los procesos reales, sin em-
bargo la estabilidad en lazo cerrado es tambi en de gran importancia.
El hecho de que el algoritmo de optimizaci on encuentre una soluci on, no garantiza la estabili-
dad en lazo cerrado (incluso con un modelo casi perfecto). El uso de restricciones terminales
y/o contractivas, funciones de Lyapunov o conjuntos invariantes ha dado lugar a una amplia
gama de t ecnicas para garantizar la estabilidad del sistema controlado. Este problema se ha
abordado desde diferentes puntos de vista, y varias contribuciones han aparecido en los ulti-
mos a nos, siempre analizando el problema en un marco de espacio de estado. Las principales
propuestas son las siguientes (Mayne et al., 2000, Findeisen et al., 2007):
Horizonte innito: La restricci on terminal de igualdad fue propuesta para garantizar
la estabilidad del problema LQR (Regulador lineal cuadr atico) con restricciones; este
concepto fue extendido por Keerthi y Gilbert (Keerthi and Gilbert, 1988) a sistemas no
lineales con modelo en espacio de estado, en tiempo discreto y sujetos a restricciones, y
consiste en aumentar el control y horizontes de predicci on hasta el innito, P, M .
En este caso, la funci on objetivo se puede considerar una funci on de Lyapunov, pro-
porcionando estabilidad nominal. Este es un concepto que debe ser calculado en cada
tiempo de muestreo y la estabilidad se garantiza imponiendo como restricci on terminal,
x(t +N|t) = 0 (6.1)
bajo ciertas condiciones de controlabilidad y observabilidad del sistema. En este caso la
funci on de coste optimo es estrictamente decreciente en el tiempo, siendo una funci on
de Lyapunov del sistema.
En (Mayne and Michalska, 1990) se realiza la formulaci on para sistemas en tiempo con-
tinuo y se relajan las condiciones para garantizar la estabilidad.
Restricci on terminal: Los mismos autores proponen otra soluci on teniendo en cuenta
un horizonte nito y garantizan la estabilidad mediante la adici on de una restricci on del
estado terminal de la forma x(t + N|t) = x
s
. Con esta restricci on, el estado es cero
al nal del horizonte nito y por lo tanto la acci on de control tambi en es cero y, en
150
consecuencia (si no hay perturbaciones) el sistema permanece en el origen. Esta t ecnica
requiere un costo computacional adicional, lo cual hace muy complicada su aplicaci on
en la pr actica.
Control dual: La dicultad que presenta la t ecnica de restricci on terminal de igualdad,
debido a los problemas computacionales que supone el cumplimiento de la restricci on,
fue tratada por Michalska y Mayne (Michalska and Mayne, 1993) en busca de relajar esta
condici on, extendiendo la restricci on terminal en una vecindad del estado nal dentro
del cual el sistema podra ser impulsado al estado nal por medio de un controlador
realimentado. De esta forma se establece una restricci on terminal de la forma:
x(t +N|t) (6.2)
siendo el conjunto terminal.
El algoritmo de control predictivo no lineal se utiliza fuera de la regi on de tal manera
que en el horizonte de predicci on es considerado como una variable de decisi on y se
disminuye en cada tiempo de muestreo. Una vez que el estado entra en , el controlador
cambia a una estrategia lineal calculada previamente.
El controlador as formulado garantiza que el sistema sea conducido a la regi on terminal,
donde el sistema pasa a regularse por el controlador local que lo estabiliza al origen. De
ah que el controlador se denomine controlador dual.
Horizonte cuasi innito: Esta es la estructura en la cual se basan las m as recientes for-
mulaciones del MPC, en estas formulaciones se garantiza la estabilidad con la adici on de
la funci on de coste terminal, lo cual implcitamente hace que la predicci on alcance una
vecindad del origen, lo cual implica que son formulaci on de costo y restricci on terminal.
En (Parisini and Zoppoli, 1995) se presenta un trabajo en el cual a partir del modelo no
lineal se plantea un controlador lineal basado en la linealizaci on alrededor del punto de
equilibrio y toma a la funci on de Lyapunov asociada al sistema linealizado en torno al
origen en lazo cerrado V (x) = ax
T
P x, como funci on de costo terminal. Se garantiza
la estabilidad demostrando que en estado terminal de la optimizaci on la funci on de costo
optima es estrictamente decreciente.
Chen y Allg ower (Chen and Allg ower, 1998) ampliaron el concepto de incluir explcita-
mente la restricci on terminal y la funci on de coste terminal. La acci on de control se
151
determina mediante la soluci on de un problema de horizonte nito sin tener que cambiar
el controlador lineal incluso dentro de la regi on terminal. El m etodo agrega el t ermino
x(t +T
p
)
2
N
a la funci on de costo. Este t ermino es el lmite superior del costo necesario
para conducir el sistema no lineal al origen a partir de un estado en la regi on terminal y
por lo tanto esta funci on de costo de horizonte nito se aproxima a la funci on de costo
de un horizonte innito, de ah la denominaci on de horizonte cuasi-innito.
La clave para determinar la estabilidad del MPC es tener un conjunto y un coste terminal. Los
estados terminales denotan el estado del sistema predicho en el horizonte de predicci on nal.
Este estado terminal es obligado a llegar al conjunto terminal en el cual se encuentra el estado
estacionario. Dicho estado tiene un costo terminal asociado, el cual es agregado a la funci on de
costo.
La ley de control debe satisfacer las siguientes condiciones:
Hay una regi on tal que para todo x(t) , entonces h(x(t)) U (conjunto de
acciones de control admisible) y el estado del sistema en lazo cerrado en el siguiente
tiempo x(t + 1) .
Para todo x(t) , existe una funci on de Lyapunov V (x) tal que
V(x (t)) V(x (t + 1)) L(x, u)) (6.3)
Si estas condiciones se verican, teniendo en cuenta que es el conjunto terminal y V (x) el
coste terminal, el controlador predictivo (con valores de igualdad de predicci on y control de
horizontes) estabiliza asint oticamente todos los estados iniciales que son factibles. Por lo tanto,
si el estado inicial es tal que el problema de optimizaci on tiene una soluci on, entonces el sis-
tema es conducido al estado estacionario asint oticamente estable y satisface las restricciones.
La condici on impuesta sobre garantiza el cumplimiento de restricci on. En efecto, consideran-
do que x(t) es un estado viable del sistema y u
(t) la soluci on optima, entonces se puede obten-

er una soluci on para x(t+1). En consecuencia, la evoluci on predicha satisface las restricciones
y x(t +N|t + 1) , siendo N el horizonte de predicci on. Por lo tanto, ante la aplicaci on de
h(x(t + N|t + 1)), el sistema permanece en el conjunto terminal . En consecuencia, si x(t)
es factible, entonces x(t + 1) es posible tambi en. Dado que todos los estados pertenecen a X,
152
entonces el sistema cumple con las restricciones.
La segunda condici on asegura que el costo optimo es una funci on de Lyapunov. Esto es nece-
sario para la convergencia asint otica del sistema en el estado estacionario. Adem as, el costo de
terminal es una cota superior del costo optimo del estado terminal, de una manera similar a la
formulaci on horizonte casi innito de MPC.
Las condiciones anteriormente presentadas se basan en una representaci on del sistema en espa-
cio de estados y toda la informaci on se encuentra disponible en cada tiempo de muestreo. Sin
embargo, la mayora de las veces la unica informaci on disponible es la medici on de la salida
del sistema. En este caso, el controlador puede ser reformulado utilizando las salidas y bajo
ciertas condiciones de observabilidad y controlabilidad (Keerthi and Gilbert, 1988), la estabi-
lidad a lazo cerrado puede ser probada.
Los resultados de estabilidad obtenidos a partir de las t ecnicas anteriormente mencionadas son
v alidos s olo en el caso de un modelo perfecto, que no es el caso en la pr actica. Esto puede
considerarse como un campo abierto con s olo resultados preliminares (Findeisen et al., 2007).
6.1.1. Condiciones sucientes de estabilidad
Los par ametros generales de dise no del controlador predictivo basado en el modelo del sis-
tema, sobre los cuales se imponen condiciones para garantizar la estabilidad del sistema, son
los siguientes:
Horizonte de predicci on (N): es el horizonte temporal en el que se considera la evoluci on
futura de la planta para el c alculo de la actuaci on.
Costo de etapa (L(x, u)): es la funci on que penaliza el estado y la actuaci on sobre el sis-
tema en la funci on a optimizar. Esta funci on debe ser continua y denida positiva tal que
L(0, 0) = 0 y adem as L(x, u) ((x, u)) , siendo () una funci on K. Generalmente,
L(x, u) l (x, u)
para ciertas constantes l > 0 y > 0.

La funci on de costo pueden estar basadas en norma innito, en norma 1, o en norma 2, esta
ultima es la m as utilizada y da lugar al coste cuadr atico,
L(x, u) = x
T
Q x +u
T
R u (6.4)
153
Donde Q una matriz semidenida positiva y R una matriz denida positiva.
Coste terminal (V (x)): es la funci on que penaliza el estado terminal (estado predicho al nal
del horizonte de predicci on).
Regi on terminal (): es un conjunto cerrado, vecindad del origen, el cual el estado termi-
nal debe alcanzar. Para garantizar que el estado terminal alcance esta regi on se coloca como
restricci on del problema de optimizaci on, denominada restricci on terminal.
6.1.2.

Indice de desempe no cuadr atico
Uno de los algoritmos para determinar la estabilidad del sistema en lazo cerrado es el presenta-
do por (Chen and Allg ower, 1998). En este trabajo el procedimiento sistem atico corresponde a
determinar una regi on terminal y una restricci on terminal, para probar la estabilidad asint otica
del esquema de control propuesto. Suponiendo que el sistema din amico en tiempo continuo del
proceso (Ecuaci on 6.5) es linealizable.
x(t) = f (x(t), u(t)) , t 0, x(0) = x
0
(6.5)
y las matrices de linealizaci on se denotan como
A =
f
x
x=0,u=0
(6.6)
B =
f
u
x=0,u=0
(6.7)
Dando lugar a una linealizaci on Jacobiana alrededor del origen,
x = Ax +Bu; (6.8)
Si la ecuaci on 6.8 es estabilizable, entonces un estado linear realimentado u = Kx puede ser
determinado de forma tal que A
K
= A+BK es asint oticamente estable.
Los autores (Chen and Allg ower, 1998) reportan el siguiente lema con respecto a la soluci on
del problema de estabilizaci on, la demostraci on del mismo se omite en este documento.
154
Lema 6.1. Suponga que la linealizaci on Jacobiana del sistema 6.5 en el origen es estabilizable
cuando,
a) La ecuaci on de Lyapunov
(A
K
+I)
T
P +P (A
K
+I) = Q
(6.9)
admite una unica soluci on denida positiva y sim etrica, P, donde, Q
= Q+K
T
RK
R
nn
es denida positiva y sim etrica; [0, ) satisface
< (A
k
) (6.10)
b) Existe una constante (0, ) especcamente en la vecindad
del origen en la
forma de
=
_
x R
n
|x
T
Px
_
(6.11)
tal que
(i) Kx U, para todo x , es decir, que el controlador lineal realimentado
respecto a la entrada est a limitado en
(ii)
es invariante para el controlador del sistema no lineal 6.5 por la reali-

mentaci on local lineal u = Kx.
(iii) para todo x
1
, la funci on de costo innita est a denida como
J
(x
1
, u) =
_
t
1
_
x(t)
2
Q
+u(t)
2
R
_
dt (6.12)
sujeto al sistema no lineal 6.5, inicializando en x(t
1
) = x
1
y controlado por el
estado lineal local realimentado u = Kx, es acotada superiormente de la siguiente
manera,
J
(x
1
, u) x
T
1
Px
1
(6.13)
6.2. Estabilidad del control predictivo aplicado al modelo de la
Para demostrar la estabilidad del sistema de control aplicado al modelo no lineal de la colum-
na de destilaci on binaria para la separaci on de la mezcla no ideal etanol-agua, se calcula un
155
controlador regulador lineal cuadr atico (LQR) para el sistema con las mismas matrices de pon-
deraci on que el control predictivo aplicado al modelo no lineal (NMPC).
Dada la optimalidad del regulador lineal cuadr atico (LQR) el desempe no terminal es una fun-
ci on cuadr atica V
f
(x) = x
T
P x donde P es la soluci on de la funci on de Lyapunov dada en
la ecuaci on 6.9.
Se eval ua la funci on de costo a partir de la ecuaci on 6.4. Siendo las matrices de ponderaci on:
Q = I (6.14)
Donde, Q es una matriz identidad de 14 14.
R = 1 (6.15)
Posteriormente se calcula un invariante positivo del sistema, as como la funci on de Lyapunov
del sistema linealizado, asumiendo que el sistema es tal que existe una vecindad del origen
X que es un conjunto invariante de control del sistema y adem as tiene asociada una
funci on de Lyapunov.
El procedimiento de c alculo corresponde al que presenta la t ecnica LQR asumi endose que
u
optimo
= Kx
optimo
, siendo,
Koptimo=
0,0033 0,0028
0,0007 0,0006
0,0011 0,0009
0,0014 0,0012
0,0017 0,0014
0,0020 0,0017
0,0022 0,0019
0,0024 0,0021
0,0025 0,0023
0,0026 0,0024
0,0027 0,0026
0,0034 0,0035
0,0053 0,0055
0,0123 0,0127
(6.16)
Los valores propios calculados de la matriz jacobiana del sistema en el punto de equilibrio
alcanzado en lazo cerrado se presentan en la Tabla. 6.1. La estabilidad del punto de equilibrio
se determin o por el m etodo indirecto de Lyapunov, como se presenta en el Captulo 4 Secci on
4.4.
156
El punto de equilibrio alcanzado por el sistema en lazo cerrado corresponde a un nodo estable
en el sentido de Lyapunov. La funci on de Lyapunov asumida para este controlador corresponde
a la funci on V (x) = x
T
Px. Donde, x es el vector de los 14 estados.
mn
uU
{V ((f(x, u)) V (x) +L(x, u), sujeto a f(x, u) } (6.17)
Como resultado de la soluci on del problema de estabilidad se obtiene que la matriz P de di-
mensi on 14 14, corresponde a una matriz sim etrica denida positiva. Por lo tanto, la funci on
de Lyapunov V (x) = x
T
Px y el sistema corresponde a un sistema globalmente estable.
Tambi en se observa que el sistema independientemente de la condici on inicial de los estados
siempre converge a la regi on terminal, .
El sistema de la columna de destilaci on binaria en lazo cerrado es un sistema aut onomo sujeto
a restricciones que evoluciona de una forma admisible ya que cumple con las restricciones en
todo t.
Tabla 6.1: Valores propios de la matriz jacobiana calculada en el punto de equilibrio alcanzado
en lazo cerrado
Valor Propio
1
856,9291
2
829,0449
3
743,4249
4
644,1255
5
556,1855
6
500,9126
7
421,4471
8
322,5172
9
226,3429
10
142,1354
11
76,4190
12
32,8675
13
14,3677
14
6,0352
157
6.3. Conclusiones
En este captulo se analiz o la estabilidad del algoritmo de control aplicado al modelo no lineal
de la columna de destilaci on binaria. Se present o una descripci on de los conceptos de estabi-
lidad de sistemas no lineales en la lazo cerrado. la estabilidad se encuentra relacionada con la
teora de conjuntos invariantes. Se aplic o la t ecnica LQR (regulador lineal cuadr atico) con el n
de determinar la estabilidad local del algoritmo de control MPC implementado en la columna
de destilaci on.
Se obtuvo como resultado que el sistema corresponde a un sistema aut onomo sujeto a restric-
ciones que evoluciona forma admisible cumpliendo con las restricciones en todo t.
158
Captulo 7
Trabajo Futuro
El trabajo futuro puede enfocarse en tres aspectos: an alisis din amico, control e implementaci on.
7.1. An alisis din amico
En este trabajo se analiz o el comportamiento din amico del modelo no lineal simplicado de
la columna de destilaci on binaria, el cual involucra 14 ecuaciones diferenciales ordinarias. Los
resultados obtenidos muestran que el sistema no posee bifurcaciones.
En un trabajo futuro surge la necesidad de realizar un an alisis de bifurcaciones al modelo no
lineal de mayor complejidad que describe el comportamiento de la columna de destilaci on
binaria, el cual involucra 28 ecuaciones diferenciales ordinarias.
7.2. Control
En la parte de control surgen dos posibilidades de trabajo futuro. La primera expectativa de
trabajo futuro es aplicar el algoritmo de control desarrollado en este trabajo al modelo no lineal
de mayor complejidad que describe el comportamiento de la columna de destilaci on binaria, y
evaluar el resultado obtenido en este trabajo.
La segunda posibilidad de trabajo futuro es extender la estrategia de control predictivo a otros
modelos no lineales de otros procesos qumicos como bioreactores y columnas de destilaci on
reactiva. Este tipo de procesos presentan un alto grado de no linealidad y fuertes interacciones
entre las variables, por ende, un sistema de control que se adecue al modelo no lineal resulta
ser bastante conveniente.
159
Captulo 7. Trabajo Futuro
7.3. Implementaci on y validaci on
El siguiente paso de este trabajo, es la implementaci on y validaci on experimental de los resul-
tados obtenidos.
La implementaci on experimental se puede realizar en una columna de destilaci on a escala
laboratorio con el n de vericar los resultados obtenidos en la simulaci on. Inicialmente, se
realiza un an alisis econ omico que determine el costo total de la inversi on inicial y los bene-
cios econ omicos que generara la implementaci on del algoritmo de control predictivo en una
columna de destilaci on experimental para la mezcla etanolagua.
Posteriormente, a partir de los resultados obtenidos y de los benecios econ omicos de la im-
plementaci on experimental, la implementaci on y validaci on de los resultados se extiende a una
columna de destilaci on real para la separaci on del sistema no ideal etanolagua.
160
Bibliografa
Abanades, J. (1999). Aplicaci on de un modelo sicoquimico riguroso obtenido por simu-
lacion estacionaria y din amica al control multivariable predictivo de una despropanizadora.
Masters thesis, Universidad Polit ecnica de Madrid.
Agachi, P., Nagy, Z., Cristea, M., and Lucaci, A. (2006). Model Based Control. Wiley VCH.
Albrigth, L. (2009). Albrigths Chemical Engineering Handbook. CRC Press.
Allg ower, F. and Zheng, A. (2000). Nonlinear model predictive control: Challeges and op-
portunities. Birkh auser Verlag.
Angulo, F. (1999). An alisis de Sistemas de Control No Lineales. Universidad Nacional de
Colombia, Sede Manizales.
Aufderheide, B. and Bequette, B. (2003). Extension of dynamic matrix control to multiple
models. Computers and Chemical Engineering, 27:10791096.
Badgwell, T. and Qin, S. (2001). Nonlinear Predictive Control. Review of Nonlinear Model
Predictive Control Applications. IEE Control Engineering series.
Bequette, B. (1991). Nonlinear control of chemica processes - a review. Industrial Engineer-
ing Chemical Research, 30:13911413.
Bequette, B. (1998). Process Dynamics: Modeling, analysis and simulation. Prentice Hall
International Series in the Physical and Chemical Engineering Sciences.
Bird, R., Stewart, W., and Lightfoot, E. (1960). Transport Fenomena. Wiley.
Bordons, R. (2000). Control Predictivo: metodologa, tecnologa y nuevas perspectivas. I
Curso de Especializaci on en Autom atica. Aguadulce, Almera.
161
BIBLIOGRAF
IA
Bordons, R. (2007). Control Predictivo, Nuevas Tendencias y Aplicaciones. Escuela T ecnica
Superior de Ingenieros, Universidad de Sevilla.
Burman, L. and Maddox, R. (1969). Dynamic control of distillation columns. Ind. Eng. Chem.
Process Des. Dev., 8:433438.
Chen, C. and Dai, C. (2001). Robust controller design for a class of nonlinear uncertain
chemical processes. Journal of Process Control, 11:469482.
Chen, H. and Allg ower, F. (1998). A quasi-innite horizon nonlinear predictive control
scheme with guaranteed stability. Automatica, 34:12051218.
Cooper, D. (1998). A tuning strategy for unconstrained multivariable model predictive con-
trol. Industrial and Engineering Chemistry Research, 37:40034016.
Corripio, A. and Smith, C. (1997). Principles and Practice of Automatic Process Control.
John Wiley and Sons, Icn.
Coulson, J. and Richardson, J. (1984). Ingenieria Qumica. Editorial Revert e, S.A. Barcelona
(Espa na).
Cutler, C. and Ramaker, B. (1979). Dynamic matrix control a computer control algorithm.
AIChE National Mtg. Houston, Texas,.
Deshpande, P., Caldwell, J., Yerrapragada, S., and Bhalodia, M. (1995). Should you use
constrained model predictive control. Chem. Eng. Prog., 91:6572.
Dochain, D. (2003). State and parameter estimation in chemical and biochemical processes:
a tutorial. Journal of Process control, 13:801818.
Fair, J. and Green, D. (1997). Perrys Chemical Engineers Handbook. McGraw Hill.
Findeisen, R., Biegler, L., and Allg ower, F. (2007). Asseessment and future directions of
nonlinear model preditive control. Springer - Verlag Berlin Heidelberg.
Garca, C., Prett, D., and Morari, M. (1989). Model predictive control: theory and practice
a survey. Automatica, 25:335348.
162
BIBLIOGRAF
IA
Gupta, S., Ray, S., and Samanta, A. (2009). Nonlinear control of debutanizer column using
prole position observer. Computers and Chemical Engineering, 33:12021211.
Gupta, Y. (2008). Control of nonlinear processes by using linear model predictive control
algorithms. ISA Transactions, 47:211216.
Hamzacebi, K. and Kutay, F. (2006). A heuristic approach for nding the global minimum:
Adaptive random search technique. Applied Mathematics and Computation, 173:13231333.
Hamzacebi, K. and Kutay, F. (2007). Continuous functions minimization by dynamic random
search technique. Applied Mathematical Modelling, 31:21892198.
Henson, A. (1998). Nonlinear model predictive control: Current status and future directions.
Computers and Chemical Engineering, 23:187201.
Ho, T., Huang, C., Lin, J., and Lee, L. (2009). Dynamic simulation for internally heat-
integrated distillation columns (hidic) for propylenepropane system. Computers and Chem-
ical Engineering, 33:11871201.
Holland, C. and Liapis, A. (1981). Fundamentals of multicomponent distillation. Mcgraw
Hill.
Holland, C. and Liapis, A. (1983). Computer Methods for Solving Dynamic Separation Prob-
lems. Mcgraw Hill Chemical Engineering Series.
Huang, K., Nakaiwa, M., Akiya, T., Aso, K., and Takamasu, T. (1996). A numerical con-
sideration on dynamic modeling and control of ideal heat integrated distillation columns.
Huang, K., Nakaiwa, M., Akiya, T., Aso, K., and Takamasu, T. (2006). The inuences of pres-
sure distribution on an ideal heat-integrated distillation column (hidic). Journal of Chemical
Engineering of Japan, 39:652.
Keerthi, S. and Gilbert, E. (1988). Optimal innite-horizon feedback laws for a general class
of constrained discrete-time systems: Stability and moving-horizon approximations. J. Optim.
Theory Appl., 57:265293.
Khalil, H. (1996). Nonlinear Systems. Prentice Hall, Upper Saddle River.
163
BIBLIOGRAF
IA
King, C. (1988). Procesos de Separaci on. Ediciones Repla S. A., M exico.
Kister, H. (1992). Distillation Design. McGraw Hill.
Kumar, A. and Daoutidis, P. (2003). Nonlinear model reduction and control for high-purity
distillation columns. Industrial and Engineering Chemistry Research, 42:44954505.
Kurooka, T., Yamashita, Y., and Nishitani, H. (2000). Dynamic simulation and nonlinear
control system design of a heterogeneous azeotropic distillation column. Computers and
Chemical Engineering, 24:887892.
Kuznetsov, Y. (2004). Elements of Applied Bifurcation Theory. Springer-Verlag.
Lewis, G. (1901). The law of physicochemical change. American Academy Science, 34:49.
Ludwig, E. (2001). Applied process design for chemical and petrochemical plants. Gulf
Publishing.
Luyben, W. (1996). Process Modeling, Simulation and Control for Chemical Engineers. Mc-
Graw HillInternational Editions.
Magni, L., Raimondo, D. M., and Allg ower, F. (2009). Nonlinear Model Predictive Control.
Towards New Challenging Applications. Springer-Verlag Berlin Heidelberg.
Magni, L. and Scattolini, R. (2004). Stabilizing model predictive control of nonlinear contin-
uous time systems. Annual Reviews in Control, 28:111.
Mahdipoor, H. (2006). Effect of liquid ow regimes on dynamic simulaction of tray columns.
Marlin, T. (2000). Processs Control: Designing Processes and Control System for Dynamic
Performance. McGraw Hill International Editions, second edition edition.
Mayne, D. (2001). Control of constrained dynamic systems, volume 7.
Mayne, D. and Michalska, H. (1990). Robust horizon control of nonlinear systems, volume 35.
Mayne, D., Rawlings, J., Rao, C., and Scokaert, P. (2000). Constrained model predictive
control: stability and optimality, volume 36.
164
BIBLIOGRAF
IA
McCabe, W. and Thiele, E. (1925). Graphical design of fractionating columns. Industrial and
Engineering Chemistry Research, 17:605.
Michalska, H. and Mayne, D. (1993). Robust receding horizon control of constrained nonlin-
ear systems. IEEE Trans. on Automatic Control, 38:16231633.
Morari, M. and Lee, J. (2004). Model predictive control: past, present and future. Computers
and Chemical Engineering, 23:667682.
Mortaheb, H. and Kosuge, H. (2004). Simulation and optimization of heterogeneous azeotrop-
ic distillation process with a rate-based model. Chemical Engineering and Processing,
43:317326.
Nijmeijer, H. and Schaft, A. V. D. (1990). Nonlinear Dynamical Control Systems. Springer-
Verlag New York.
Ogata, K. (2002). Modern Control Engineering. Prentice Hall.
Ogunnaike, B. (1986). Dynamic matrix control: A nonstochastic, industrial process control
technique with parallels in applied statistics. Industrial and Engineering Chemistry Research,
25:712718.
Parisini, T. and Zoppoli, R. (1995). A receding-horizon regulator for nonlinear systems and a
neural approximation. Automatica, 31:14431451.
Perry, R. and Green, D. (1997). Perrys Chemical Engineers Handbook. McGraw Hill.
Prausnitz, J., Lichtenthaler, R., and Gomes, E. (1986). Thermodynamics of Fluid-Phase Equi-
libria. Prentice Hall.
Prausnitz, J., Lichtenthaler, R., and Gomes, E. (2000). Termodinamica molecular de los equi-
librios de fases. Prentice Hall.
Prett, D. and Gillette, R. (1979). Optimization and constrained multivariable control of a
catalytic cracking unit. AIChE National Mtg. Houston, Texas,.
Prett, D. and Morari, M. (1987). The shell process control workshop. process control research:
Industrial and academic perspectives. Butterworths, Boston,(USA), pages 355360.
165
BIBLIOGRAF
IA
Propoi, A. (1963). Use of lp methods for synthesizing sampled-data automatic systems. Au-
tomatic Remote Control, 24:837.
Qin, S. and Badgwell, T. (2003). A survey of industrial model predictive control technology.
Control Eng. Practice, 11:733.
Quintero, J., Montoya, M., Sanchez, O., and Cardona, C. (2007). Evaluaci on de la deshidrat-
aci on de alcohol carburante mediante simulaci on de procesos. Facultad de Ciencias
Agropecuarias, 5:7283.
Richalet, J., Rault, A., Testud, J., and Papon, J. (1978). Model predictive heuristic control:
applications to an industrial process. Automatica, 14:413428.
Roffel, B. and Betlem, B. (1996). Process Dynamics and Control: Modeling for Control and
Prediction. John Wiley and Sons, Icn.
Rojas, J. (2004). Desarrollo de una metodologa para aplicar la estructura de control mpc
unicada. Masters thesis, Universidad Nacional de Colombia Sede Manizales.
Rovaglio, M., Ranzi, E., Biardi, G., and Faravelli, T. (1990). Rigorous dynamics and feed-
forward control design for distillation processes systems simulation and experimental results.
Sanchez, O. and Cardona, C. (2005). Producci on biotecnol ogica de alcohol carburante ii:
integraci on de procesos. INCI, 30:679686.
Sandler and Stanley, I. (1994). Models for thermodynamic and phase equilibria calculations.
New York Marcel Dekker.
Scokaert, P. and Mayne, D. (1998). Min-max feedback model predictive control for con-
strained linear sistems. IEEE Transactions on Automatic Control, 43:11361142.
Seader, J. and Henley, E. (2006). Separations Process Principles. John Wiley and Sons, Icn.
Seydel, R. (1994). Practical Bifurcation and Stability Analysis From Equilibrium to Chaos.
Springer-Verlag New York.
Shampine, L. and Reichelt, M. (1997). The matlab ode suite. SIAM Journal on Scientic
Computing, 18:122.
166
BIBLIOGRAF
IA
Slotine, J. and Li, W. (1991). Applied Nonlinear Control. Prentice Hall Englewood Cliffs.
Smith, J., Ness, H. V., and Abbott, M. (1996). Introducci on a la termodin amica en Ingeniera
Qumica. McGraw Hill.
Solis, F. and Wets, J. (1981). Minimization by random search techniques. Mathematics of
Operations Research, 6:1930.
Stephanopoulos, G., Karsligil, O., and Dyer, M. (2008). Multiscale theory for linear dynamic
processes part 2. multiscale model predictive control (ms-mpc). Computers and Chemical
Engineering, 32:885912.
Stichlmair, J. and Fair, J. (1998). DistillationPrinciples and Practices. Wiley.
Treybal, R. (1981). Mass Transfer Operations. McGraw Hill.
Vidyasagar, M. (1993). Nonlinear Systems Theory. Prentice-Hall.
Wankatt, P. (1988). Equilibrium Staged Separations. Elsevier.
Wooley, R., Ruth, M., Sheehan, J., Ibsen, K., Majdeski, H., and G alvez, A. (1999). Lig-
nocellulosic biomass to ethanol process design and economics utilizing co-current dilute acid
prehydrolysis and enzymatic hydrolysis. current and futuristic scenarios. National Renewable
Energy Laboratory, Golden, CO, EEUU.:123 p.
Wyman, C. (1994). Ethanol from lignocellulosic biomass: Technology, economics, and op-
portunities. Bioresource Technology, 50:316.
Zadeh, L. and Whalen, B. (1962). On optimal control and linear programming. IRE Trans.
Aut. Control, 7:45.
167

Angelicamariaalzateibanez 2010

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Angelicamariaalzateibanez 2010

Încărcat de

Drepturi de autor:

Formate disponibile

Modelado y control de una columna de destilaci on binaria

Ang elica Mara Alzate Iba nez

Indice de tablas XII

Velocidad supercial de masa del gas, g/m

Velocidad supercial de masa del lquido, g/m

son las concentraciones en el equilibrio del componente m as vol atil.

es la velocidad supercial de masa lquida, G

es la separaci on entre las perforaciones.

Area Total del plato (m

Area secci on transversal vertedero (m

son las concentraciones en el equilibrio del componente m as vol atil.

(t|t) y se vuelve a resolver

(t) la soluci on optima, entonces se puede obten-

para ciertas constantes l > 0 y > 0.

es invariante para el controlador del sistema no lineal 6.5 por la reali-

S-ar putea să vă placă și