Program for North American Mobility in Higher Education

NAMP Program for North American Mobility in Higher Education Módulo 8 Introducción a la Integración de Procesos Tier II PIECE Introducing Process integration for Environmental Control in Engineering Curricula Módulo 8 – Introducción a la Integración de Procesos

Cómo usar esta presentación Esta presentación contiene links internos a otras diapositivas y links externos a sitios web: • Ejemplo de un link(texto subrayado en gris): link a una diapositiva en la presentación a un sitio web • : link a la tabla de contenido del tier • : link a la última diapositiva revisada • : cuando el usuario ha pasado por toda la presentación, algunas preguntas de opción múltiple son efectuadas al final del tier. Este icono lleva al usuario nuevamente al enunciado de pregunta si la respuesta elegida es errónea Módulo 8 – Introducción a la Integración de Procesos

Tabla de contenido Resumen del Proyecto • Instituciones participantes • Creadores del módulo Estructura y Propósito del Módulo Tier II • Enunciado de propósito • Secciones • 2.1 Ejemplo trabajado usando Modelamiento impulsado por datos (Data-driven modeling), más específicamente Análisis Multivariable • 2.2 Ejemplo trabajado usando Análisis Pinch Térmico • 2.3 Ejemplo trabajado usando Diseño y Control Integrado de Procesos, más específicamente Análisis de Controlabilidad • Quiz Módulo 8 – Introducción a la Integración de Procesos

Resumen del Proyecto Objetivos • Crear módulos web para ayudar a las universidades a realizar la introducción de la Integración de Procesos a la currícula de Ingeniería • Hacer de estos módulos ampliamente disponibles en cada uno de los países participantes Instituciones Participantes • Dos universidades de tres países (Canadá, México y Estados Unidos de América) • Dos institutos de investigación en diferentes sectores industriales: petróleo (México) y pulpa y papel (Canadá) • Cada una de las seis universidades ha patrocinado a 7 estudiantes de intercambio durante el periodo de la beca, subvencionados en parte por cada uno de los gobiernos de los tres países Módulo 8 – Introducción a la Integración de Procesos

PIECE University of Ottawa École Polytechnique de Montréal Instituto Mexicano del Petróleo Paprican Universidad Autónoma de San Luis Potosí University of Texas A&M Universidad de Guanajuato North Carolina State University Process integration for Environmental Control in Engineering Curricula NAMP Program for North American Mobility in Higher Education Módulo 8 – Introducción a la Integración de Procesos

Módulo 8 Este módulo fue creado por: Carlos Alberto Miranda Alvarez Paul Stuart Institución Anfitriona De Profesor anfitrión Martin Picon-Nuñez Jean-Martin Brault Módulo 8 – Introducción a la Integración de Procesos

Estructura del Módulo 8 ¿Cuál es la estructura de este módulo? Todos los módulos están divididos en 3 tiers, cada uno con una meta específica: • Tier I: Antecedentes • Tier II: Aplicaciones a Caso de Estudio • Tier III: Problema de Diseño Propuesto-Resuelto Se pretende completar estos tiers en ese orden particular. Los estudiantes son evaluados en varios puntos para medir su grado de comprensión, antes de proseguir al siguiente nivel. Cada tier contiene un enunciado de propósito u objetivo al inicio y un quiz al final. Módulo 8 – Introducción a la Integración de Procesos

Propósito del Módulo 8 ¿Cuál es el propósito de este módulo? Es el objetivo de este módulo cubrir los aspectos básicos de los Métodos y herramientas de Integración de Procesos , y colocar a la Integración de Procesos en una perspectiva más amplia. Está identificado como un prerrequisito para otros módulos relacionadas con el aprendizaje de Integración de Procesos. Módulo 8 – Introducción a la Integración de Procesos

Tier IIEjemplos Resueltos Módulo 8 – Introducción a la Integración de Procesos

Tier II Enunciado de Propósito La meta de este tier es demostrar varios conceptos y herramientas de Integración de Procesos usando ejemplos reales. Tres ejemplos serán dados, centrándose principalmente en tres herramientas de Integración de Procesos. Al final del Tier II, el estudiante debe tener una idea general de lo que es: • Modelamiento impulsado por datos (Data-Driven Modeling) - Análisis Multivariable • Análisis Pinch Térmico • Diseño y Control Integrado de Procesos – Análisis de Controlabilidad Módulo 8 – Introducción a la Integración de Procesos

Tier II Contenido El Tier II está dividido en tres secciones • 2.1 Ejemplo trabajado usando Modelamiento impulsado por datos, más específicamente Análisis Multivariable • 2.2 Ejemplo trabajado usando Análisis Pinch Térmico • 2.3 Ejemplo trabajado usando Diseño y Control Integrado de Procesos, más específicamente Análisis de Controlabilidad Un pequeño quiz de opción múltiple se encontrará al final de este tier. Módulo 8 – Introducción a la Integración de Procesos

Tier II Resumen 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariable 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariable 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad Módulo 8 – Introducción a la Integración de Procesos

2.1 Ejemplo Resuelto 1: Modelamiento Impulsado por Datos (Data Driven Modeling) – Análisis Multivariable Módulo 8 – Introducción a la Integración de Procesos

Y tendencia tendencia X X tendencia X X Salidas visuales en 2-D 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable (MVA) – Recordatorio Representación gráfica del MVA Modelo Estadístico (parte del software) . . . . . . . . . . . . Datos "crudos" (sin procesar): imposibles de interpretar Cientos de columnas Miles de corridas Módulo 8 – Introducción a la Integración de Procesos

2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Estadísticas Básicas • Se asume que el estudiante está familiarizado con los siguientes conceptos estadísticos básicos: media, mediana, moda; desviación estándar, varianza, normalidad, simetría; grado de asociación, coeficientes de correlación; R2, Q2, F-test; significado de las diferencias, t-test, Chi-cuadrado; eigen valores y vectores • Las pruebas estadísticas ayudan a caracterizar un grupo de datos existente. NO permiten hacer predicciones de datos futuros. Para esto tenemos que volver a las técnicas de regresión… Regresión • Toma un grupo de datos, cada uno descrito por un vector de valores (y, x1, x2, … xn) • Encuentra la ecuación algebraica que "mejor exprese" la relación entre y y xi’s: • Y =b1x1 + b2x2 + … + bnxn + e • Requerimientos de Datos:datos normalizados, errores normalmente distribuidos con media cero y variables independientes no correlacionadas Módulo 8 – Introducción a la Integración de Procesos

X • Análisis de Componente Principal (Principal • Component Analysis, PCA) • Solamente X’s • En PCA, estamos maximizando la varianza que es explicada por el modelo • Proyección a Estructuras Latentes (Projection to • Latent Structures, PLS) • También conocido como “Mínimos Cuadrados Parciales” • X’s y Y’s • En PLS, estamos maximizando la covarianza 2 4 0 2 2 0 Y Observada XY 2 0 0 MODELO IDEAL 1 8 0 1 5 0 1 6 0 1 7 0 1 8 0 1 9 0 2 0 0 2 1 0 2 2 0 2 3 0 2 4 0 Y Predicha 1 0 6 Figura 1 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Tipos de MVA Tipos de salidas de MVA • Los software de MVA generan dos tipos de salidas: resultados, y diagnósticos. • Resultados: Gráficas de resultados, Gráficas • de Entradas • Diagnósticos: Gráfica de Residuos, Observado • vs Predicho, y muchas mas Q1 Q2 Módulo 8 – Introducción a la Integración de Procesos

Figura 2 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable - PCA Análisis de Componente Principal (PCA) Considere estos peces. Podemos medir, para cada uno, su longitud y ancho. Suponga que 50 peces fueron medidos, una gráfica como la mostrada en la figura 2 puede ser obtenida. Existe una relación obvia entre la longitud y el ancho pues peces más largos tienden a ser más anchos. Módulo 8 – Introducción a la Integración de Procesos Referencia: Manchester Metropolitan University

Figura 3 Figura 4 Figura 5 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable - PCA • Mueva los ejes de manera que sus orígenes estén ahora centrados en la nube de puntos: este es un cambio en la escala de medición. En este caso las medias relevantes fueron restadas de cada valor. • En efecto, el eje principal es una nueva variable, el tamaño. De forma simple, • tamaño = longitud + ancho  combinación lineal de dos variables existentes de igual importancia • Suponga que consideramos que la longitud es más importante que el ancho en la determinación del tamaño. En este caso podemos usar pesos o coeficientes para introducir contribuciones diferenciales: tamaño = 0.75 x longitud + 0.25 x ancho • Por conveniencia, normalmente realizaríamos la gráfica con el eje X horizontal, esto daría la apariencia de rotar los puntos más que los ejes. Módulo 8 – Introducción a la Integración de Procesos Reference: Manchester Metropolitan University

Figura 6 Figura 7 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable - PCA • Un criterio para el segundo eje es que debe explicar tanto de la variación restante como sea posible. Sin embargo, éste no debe estar correlacionado (ortogonal) con el primero. • En este ejemplo las longitudes y orientaciones de los ejes están dadas por eigen valores y eigen vectores de la matriz de correlación. Si retenemos solo la variable de "tamaño" mantendríamos 1.75/2.00 x 100 (87.5%) de la variación original. Entonces, si descartamos el segundo eje solo perdemos 12.5% de la información original. Módulo 8 – Introducción a la Integración de Procesos Reference: Manchester Metropolitan University

2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable - PCA Proyección a Estructuras Latentes (Projection to Latent Structures, PLS) • La PLS encuentra un grupo de componentes ortogonales que: • Maximizan el nivel de entendimiento de ambos, X y Y • Proveen una ecuación predictiva para Y en términos de X's • Esto es llevado a cabo por: • Ajustar un grupo de componentes a X (como en PCA) • De manera similar, ajustar un grupo de componentes a Y • Reconciliar los dos grupos de componentes para maximizar el entendimiento de X y Y • La interpretación de los resultados de PLS tiene todas las dificultades de PCA, además de una extra: tener sentido de los componentes individuales en espacio X y Y. En otras palabras, para que los resultados tengan sentido, el primer componente en X debe estar relacionado de alguna manera al primer componente en Y Módulo 8 – Introducción a la Integración de Procesos

Figura 8 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Enunciado del Problema Veamos una planta típica de pulpa termomecánica integrada (Thermomechanical Pulp, TMP) de papel periódico en América del Norte. La planta. El administrador de esa planta en particular reconoce que hay muchos datos a tratar y que existe una necesidad de estimar la calidad de su producto final, i.e. papel. Él decide usar el Análisis Multivariable para derivar tanta información como sea posible del grupo de datos y tratar de determinar las variables más importantes que pueden tener un impacto en la calidad del papel para poder clasificar la calidad del producto final. El administrador de la planta decide examinar primero la porción de refinación del proceso de fabricación de pulpa. Módulo 8 – Introducción a la Integración de Procesos

X’s Figura 9 Y 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Variables X y Y • Variables X • Astillas que se reciben: distribución de tamaño, densidad del bulk, humedad • Datos de operación del refinador: rendimiento; energía de separación entre el refinador primario y secundario; velocidades de dilución; niveles, presiones y temperaturas en varias unidades inmediatamente conectadas a los refinadores; voltaje en el tornillo sin fin de astillas; temperatura del cuerpo del refinador • Estación, representada por la temperatura promedio medida en la estación meteorológica más cercana • Variables Y • Calidad de los datos de la pulpa después de la urna de latencia (automatizado, análisis on-line de muestras): parámetros estándar de industrias incluyendo distribución de la longitud de la fibra, freeness, consistencia y brillantez Módulo 8 – Introducción a la Integración de Procesos

Resultados 34-meses de 1 día rev. 2 (incl. Datos de astillas) no. 2.M4 (PCA-X), Residuos removidos No Clase t[1]/t[2]/t[3] Clase 1 Coloreados de acuerdo a las clases en M4 Clase 2 Clase 3 Clase 4 Versión 32-meses 2-M2 (PCA-X), Desviaciones extremas removidas R2X(cum) Q2(cum) 1 . 0 0 0 . 8 0 0 . 6 0 0 . 4 0 0 . 2 0 0 . 0 0 Comp[1] Comp[2] Comp[3] Comp No. Figura 10 Otoño InviernoPrimaveraVerano 2000 2001 Figura 11 2002 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Esta es la gráfica R2 y Q2 para el modelo. Los valores de R2 nos dicen que el primer componente explica 32% de la variabilidad en los datos originales, el segundo otro 7% y el tercero otro 6%. Los valores de Q2 son menores. Esto significa que el poder predictivo del modelo es cercano al 40% al usar los tres componentes. Esto podría parecer bajo, pero es normal para datos de proceso reales. Módulo 8 – Introducción a la Integración de Procesos

La variación en esta dirección parece ocurrir ENTRE estaciones ( Componente 2) La variación en esta dirección parece ocurrir DENTRO de una estación dada ( Componente 1) Figura 12 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Interpretación de resultados – Gráfica de resultados Otoño InviernoPrimaveraVerano Módulo 8 – Introducción a la Integración de Procesos

Consumo de blanqueador Rendimiento de la pulpa Energía de Refinación Flujos de Disolución Generación de vapor Brillo de la Pulpa Estación 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Interpretación de resultados – Gráfica de entradas Figura 13 Módulo 8 – Introducción a la Integración de Procesos

2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Interpretación de los resultados • Primer componente • El primer componente corresponde al rendimiento: muchas variables de proceso están relacionadas ya sea directa o indirectamente con el rendimiento. ¿Recuerda que dijimos que el primer componente era algo que variaba dentro de una estación individual? • Segundo Componente • El 2o. componente explica solo el 7% de la variabilidad total. Es, por lo tanto, "más confuso" que el primer componente, y será menos fácil de interpretar. También es posible notar que los tres años fueron separados con respecto a este segundo componente • Una pista importante se encuentra en la prominencia de dos etiquetas importantes relacionadas: consumo de blanqueador y brillo de la pulpa. Esto sugiere que tal vez el brillo de las astillas de madera entrantes era diferente año con año, requiriendo más blanqueador para obtener un mínimo de pulpa blanca • Note también que la "estación" es prominente. Esto puede ser visto con la separación obvia de las estaciones en la gráfica de resultados. Lo que sugiere que las astillas de invierno son menos brillantes que las astillas de verano • Tercer Componente • El 3er Componente explica solo el 6% de la variabilidad total • El 3er componente está relacionado a la época del año. Una interpretación razonable sería que las astillas de verano difieren de las astillas de invierno de alguna manera diferente al brillo, que fue cubierto previamente por el segundo componente. Esto podría ser, por ejemplo, la facilidad con la que las fibras de madera pueden ser separadas entre sí Módulo 8 – Introducción a la Integración de Procesos

Componente 3 Explica 6% VERANO /INVIERNO REFINER THROUGHPUT Componente 1 Explica 32% BRILLO Componente 2 Explica 7% 2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable Resumen de los resultados de PCA Al usar PCA, hemos determinado que 45% de la variabilidad en las 130 variables originales puede ser representada usando solo 3 variables nuevas o "componentes". Estos tres componentes son ortogonales, lo que significa que la variación dentro de cada uno ocurre independientemente de las otros. En otras palabras, los nuevos componentes no están correlacionados entre sí. Módulo 8 – Introducción a la Integración de Procesos

2.1 Ejemplo resuelto 1: Modelamiento Impulsado por Datos Análisis Multivariable “Mapa de referencia” de Calidad X X X Figura 14 Módulo 8 – Introducción a la Integración de Procesos

2.2 Ejemplo resuelto 2 : Análisis Pinch Térmico Módulo 8 – Introducción a la Integración de Procesos

Servicio FRÍO Servicio CALIENTE $ PROCESO Trade-off Trade-off 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Recordatorio ¿Qué es el Análisis Pinch Térmico? El costo de servicios disminuye Uso de servicios Los costos relacionados al área de intercambio aumentan Intercambios Internos De 100% de servicios… ... a 100% de intercambios internos Módulo 8 – Introducción a la Integración de Procesos

2.2 Ejemplo resuelto 2: Análisis Pinch Térmico ¿Que hay de un sitio completo ? Al menos 40 corrientes para calentar y enfriar… • Ejemplo: Boiler de Recuperación • Solución obvia: precalentar el agua fresca entrante con el condensado caliente que abandona el boiler Figura 15 Módulo 8 – Introducción a la Integración de Procesos

Extracción de datos (corrientes frías y calientes) con objetivos específicos de ahorro de energía en mente Extracción Orientación del Análisis, i.e. energía, objetivos de diseño y económicos Orientación Uso de heurísticas para diseñar una Red de Intercambio de Calor que cumplirá con los objetivos de energía a menor costo Diseño de una Red de Intercambio de Calor Transferencia de los resultados obtenidos a la planta real Planta 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico Simulación Tmin Módulo 8 – Introducción a la Integración de Procesos

Requerimientos de calentamiento Temperatura Tmin Curva caliente compuesta Curva fría compuesta Punto Pinch Entalpía Requerimientos de enfriamiento Figura 16 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico Curvas Compuestas Módulo 8 – Introducción a la Integración de Procesos

2.2 Ejemplo resuelto 2: Análisis Pinch Térmico Integración de Masa – Curvas Compuestas para prevención de la contaminación Figura 18 Figura 17 Módulo 8 – Introducción a la Integración de Procesos

Torre de crudo Nafta - - PA PA 6 6 E2 E2 E3 E3 BPA BPA Keroseno 5 5 12 12 E4 E4 7 7 8 8 L L - - gasoil gasoil Horno 10 10 9 9 E1 E1 2 Crudo E5 E5 E6 E6 11 11 H H - - gasoil gasoil 1 1 2 2 3 4 E7 E7 13 13 14 14 ATB ATB Desalter 15 15 16 16 Figura 19 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico Enunciado del Problema Un ingeniero de proceso en una firma de consultoría es contratado por una refinería de petróleo para diseñar la sección de Unidades Convencionales de Fraccionamiento Atmosférico de Crudo en las instalaciones de la refinería, como se muestra en la figura 17. El principal objetivo de este proyecto es minimizar el consumo de energía usando el Análisis Pinch Térmico. La planta está usando actualmente 75000 kW en servicios de calentamiento. En este ejemplo, el énfasis será puesto en la construcción de las curvas compuestas con el objetivo de identificar oportunidades de ahorro de energía. Módulo 8 – Introducción a la Integración de Procesos

Torre de crudo Table 2 Sector Industrial DTmin Nafta-PA Ref. de petróleo 30-40ºC 100º 3 Petroquímico 10-20ºC 4 150º Químico 10-20ºC 190º Procesos a Baja temperatura 3-5ºC Keroseno 180º 30º L-gasoil 270º 40º Crudo BPA 2 1 5 6 7 290º 150º 20º 150º 390º H-gasoil 350º 30º Desalter Figura 20 ATB 380º 50º 8 Tren de precalentamiento de crudo º ºC Condición No. de corriente 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico Extracción de Datos Tabla 1 Número y Cap. Vel. de Vel. de Temperatura Temperatura Stream Coeficiente* Fouling Tipo de calorífica flujo Flujo de cap. de suministro objetivo Heat de transf. Corriente de masa calorífica duty de calor 2 2 (W/m K) (m ºC/W) De proceso (J/kgK) (kg/s) (kW/K) (ºC) (ºC) (kW) (1)Fría 2600.00 200.00 520.00 20.00 150.00 67600.00 170.00 0.00147 (2)Fría 2600.00 200.00 520.00 150.00 390.00 124800.00 170.00 0.00147 (3)Caliente 2600.00 253.00 657.80 150.00 100.00 -32890.00 170.00 0.00147 (4)Caliente 2600.00 23.00 59.80 180.00 30.00 -8970.00 170.00 0.00147 (5)Caliente 2600.00 44.00 114.40 270.00 40.00 -26312.00 170.00 0.00147 (6)Caliente 2600.00 148.00 384.80 290.00 190.00 -38480.00 170.00 0.00147 (7)Caliente 2600.00 13.00 33.80 350.00 30.00 -10816.00 170.00 0.00147 (8)Caliente 2600.00 56.00 145.60 380.00 50.00 -48048.00 170.00 0.00147 * Factor de Fouling incluido Módulo 8 – Introducción a la Integración de Procesos

Las temperaturas son clasificadas en orden ascendente, omitiendo temperaturas comunes Tabla 3 Intervalo T1 T 1 T2 2 T3 3 T4 Figura 21 H 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico - Curvas compuestas 1. Clasificar en orden ascendente las temperaturas de las corrientes calientes, omitiendo las temperaturas comunes Usando los datos de arriba, formamos intervalos de temperatura para el proceso Módulo 8 – Introducción a la Integración de Procesos

Tabla 4 Entonces obtenemos el CP compuesto para cada intervalo de temperatura 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas 2. Sumar el CP de cada corriente presente en cada intervalo de temperatura Módulo 8 – Introducción a la Integración de Procesos

Tabla 5 Obtenemos la entalpía para cada intervalo de temperatura, como se muestra en la columna Qint,h 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas 3. Calcular la entalpía neta para cada intervalo de temperatura Módulo 8 – Introducción a la Integración de Procesos

Tabla 6 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas 4. Obtener la entalpía acumulada para cada intervalo de temperatura Módulo 8 – Introducción a la Integración de Procesos

Curva caliente compuesta 700 653 623 600 563 543 500 T (K) 463 453 423 400 373 323 313 303 300 0 50000 100000 150000 200000 H (kW) Figura 22 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas 5. Graficar la temperatura en el eje Y contra la entalpía acumulada en el eje X Módulo 8 – Introducción a la Integración de Procesos

Tabla 7 Curva Fría Compuesta 700 663 650 600 550 500 T(K) 450 423 400 350 300 293 250 0 50000 100000 150000 200000 250000 H (kW) Figura 23 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas La construcción de la Curva Fría Compuesta es similar a la de la Curva Calienta Compuesta. Módulo 8 – Introducción a la Integración de Procesos

Aplicación de Curvas Compuestas QHmin Recuperación de calor interna 700 600 DTmin= 40K Requerimiento de enfriamiento mínimo 500 400 T (K) 300 QCmin 200 Requerimiento de calentamiento mínimo Curva fría compuesta 100 Curva caliente compuesta 0 0 50000 100000 150000 200000 250000 H (kW) Figura 24 2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas • Esta representación reduce el proceso entero en una corriente combinada caliente y fría • La recuperación de calor entre las curvas compuestas puede ser incrementada hasta alcanzar Dtmin. Las curvas compuestas, como las corrientes individuales, pueden ser desplazadas horizontalmente en el diagrama T-H sin causar cambios en el proceso porque H es una función de estado • Esto establece los requerimientos mínimos de servicios calientes (QHmin) y fríos (QCmin) para el proceso entero y la recuperación máxima posible de calor proceso-proceso Módulo 8 – Introducción a la Integración de Procesos

2.2 Ejemplo resuelto 2: Análisis Pinch Térmico Resumen de resultados • Como se vio en las diapositivas previas, de la gráfica de temperatura-entalpía, podemos determinar tres piezas útiles de información: • Cantidad de posible recuperación de calor proceso-proceso por área entre dos curvas compuestas • Requerimiento de servicio de calentamiento u objetivo= 57668 kW • Requerimiento de servicio de enfriamiento u objetivo= 30784 kW Las curvas compuestas son excelentes herramientas para el aprendizaje de métodos y la comprensión de la situación energética general, pero el consumo mínimo de energía y la recuperación Pinch de calor son obtenidas más frecuentemente por procedimientos numéricos. Este método es llamado el Algoritmo de Problema de Tabla (Problem Table Algorithm). Típicamente, está basado en nociones de Cascada de Calor. Q5 Q6 Módulo 8 – Introducción a la Integración de Procesos

2.3 Ejemplo resuelto 3: Control Integrado de Procesos - Análisis de Controlabilidad Módulo 8 – Introducción a la Integración de Procesos

sensor 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad – Recordatorio Fundamentos ELASTICIDAD DEL PROCESO Variables De entrada Secuencia de Control Perturbaciones Variables de entrada (manipuladas) Proceso Interacciones Internas Variables de salida (controladas y medidas) Incertidumbres FLEXIBILIDAD DEL PROCESO Figura 25 Módulo 8 – Introducción a la Integración de Procesos

2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad Agua: F1,C1 CC FC C, F Pulpa: F2,C2 Figura 26 ENTRADAS (variables o perturbaciones manipuladas) EFECTOS SALIDAS (selección por Análisis de Controlabilidad) Módulo 8 – Introducción a la Integración de Procesos

2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad _ + u1 y1 + C1 F11 y1 y1sp + F21 F12 + y2sp y2 u2 y2 + C2 F22 + _ Figura 27 Módulo 8 – Introducción a la Integración de Procesos

Program for North American Mobility in Higher Education