Upload
phamlien
View
222
Download
0
Embed Size (px)
Citation preview
OptimizaçãoUma ferramenta em Engenharia e no Laboratório
(em 60 minutos ou menos. . . )
Nuno M.C. Oliveira
Departamento de Engenharia QuímicaUniversidade de Coimbra, Portugal
Universidade de Aveiro — Maio 2013
Estrutura da apresentação
o O que é?
o Para que serve?
o Como funciona?
o O que pode correr mal?
o Exemplos?
o O que fica?
2 Optimização — UA, 24 Maio 2013
1. O que é?
Fonte: Imagens Google (Maio, 2013).
3 Optimização — UA, 24 Maio 2013
2. Conceito matemáticoDado: uma função φ(x) : A→ R, definida num conjunto A, gerando valores reais.
Desejado: 1 elemento x∗ :
φ(x∗)≤ φ(x), ∀x ∈ A (minimização)
φ(x∗)≥ φ(x) (maximização).
• φ é f. objectivo ou função de mérito.
• A pode ser caracterizado por um conjunto de restrições:
minx
φ(x)
s.a h(x) = 0g(x)≤ 0
4 Optimização — UA, 24 Maio 2013
Generalizações:
• Usar vários φi(x) para avaliar a qualidade das soluções.
• x apenas pode assumir valores discretos (e.g., x ∈ {0,1}, x ∈ N+0 ).
• x é um conjunto infinito de pontos→ f (t), t ∈ [t0, t1].
R grande variedade de problemas específicos, algoritmos, aplicações.
Em Engenharia Química a área onde desenvolvida e aplicada metodologia deoptimização comometodologia sistemática de abordagem de problemas é a áreade Engenharia de Sistemas e Processos:
PSE — Process Systems Engineering
5 Optimização — UA, 24 Maio 2013
3. An overview of Process Systems EngineeringThe essence of Chemical Engineering has always been
“the synthesis, design, testing, scaleup, operation,control and optimization of processes that change the
physical state or the composition of materials”[Westerberg, 1998].
PSE has traditionally been concerned with
“understanding and developing systematic proceduresfor design, control and operation of chemical
processes” [Sargent, 1991].
PSE can be identified with amajor paradigm in Chemical Engineering.
6 Optimização — UA, 24 Maio 2013
3.1. Major paradigms in Chemical Engineering:
À unit operations (A.D. Little, 1915).
Á basis on physical sciences andmathematical analysis:
• Aris, [Bird et al., 2002], ∼ 60s.
 systematic decision makingmethods for design and operation:
• volume in AIChE Symposium Series (1961).• [Rudd e Watson, 1968].• journal Computers and Chemical Engineering, (1977–).• [Douglas, 1988]• [Biegler et al., 1997]• ESCAPE meetings (1992–)
. ESCAPE-14, Lisbon, May 16–19, 2004, see<http://www.escape14.online.pt>
í PSE area is 35–40 years old.
7 Optimização — UA, 24 Maio 2013
3.2. Basic ChemE economic data (US, 2001)
Distribution of revenues
Basic chemicals
Pharmaceuticals
Speciality chemicals
Consumer products
Crop protection
Fertilizers
Total revenues: Chemicals (447 bil.) + Oil (595 bil.) ' 1 000 billion USD.
Typical profit margins [Grossmann, 2004]:
Biotechnology: 20–30%Pharmaceutical: 15–20%
Petroleum: 6 – 10%Chemicals: 5 – 8%
8 Optimização — UA, 24 Maio 2013
The concept of PSE has recently evolved to include improvement of the decision making process ofthe entire chemical supply chain— creation and operation:
• Micro-scale:
. Product engineering: synthesize newproducts (solvents, refrigerants, polymers), shorterdevelopment phases, agile manufacturing.
• Macro-scale:
. Enterprise level: logistics for manufacturing, production planning and distribution.
9 Optimização — UA, 24 Maio 2013
í Discover, design,manufacture and distributechemical products in the context of many conflicting
goals.
Important characteristics of decision making methodologies:
• essential to compete in global markets.
. reduce costs, operate efficiently, environmental safe and sustainable, in-novative products, improved quality.
• with both practical and theoretical implications.
. while largely driven by industrial needs, address fundamental theoreticalaspects.
• integrate physical sciences, mathematics, operations research (& A.I.),and computer science.
. models often without closed form solutions.
. efficient problem representations for alternatives.
. product is often a (complex) computer code.
10 Optimização — UA, 24 Maio 2013
Current PSE applications [Grossmann and Westerberg, 2000]
Design OperationsEnergy recovery networks SchedulingDistillation systems Multiperiod planning and optimizationReactor networks Data reconciliationHierarchical decomposition of flowsheets Real-time optimizationSuperstructure optimization Flexibility analysisMultiproduct & multipurpose batch plants Fault diagnosis
Control Support toolsModel predictive control Sequential-modular simulationControllability Equation-based simulationRobust control A.I. / Expert SystemsNonlinear control Large-scale NLPStatistical process control Optimization of DAEsProcess Monitoring Mixed-integer NLP
Global optimization
í Process improvement and diagnosis are often majordriving forces behind process modeling.
11 Optimização — UA, 24 Maio 2013
4. Sistemas para solução de problemas de opti-mização
o Folhas de cálculo: Microsoft Excel, LibreOffice / OpenOffice; também comsolversmais específicos.
o Linguagens gerais de programação: Fortran, C/C++, Python, etc., recorrendo abibliotecas numéricas.
o Linguagens avançadas de programação: Matlab, Octave, Mathematica.
o Sistemas específicos para optimização: GAMS, AMPL, LINDO, AIMMS, etc.
• GAMS: <http://www.gams.com/> R ver.• AMPL: <http://www.ampl.com/>.• AIMMS: <http://business.aimms.com/>.• LINDO: <http://www.lindo.com/>.• FICO Xpress: <http://www.fico.com/>.• lpsolve: <http://sourceforge.net/projects/lpsolve/>.
12 Optimização — UA, 24 Maio 2013
o Apenas necessário fornecer equações que constituem problema (formulaçãomatemática do problema).
o Os melhores solvers estão disponíveis nestes sistemas.
o Muito fácil comparar solvers alternativos.
o Disponíveis links para outras plataformas (e.g., Microsoft Excel, bases de da-dos).
o Muitos exemplos de aplicação nas bibliotecas de exemplos (e.g., GAMS).
13 Optimização — UA, 24 Maio 2013
5. Como funciona?As características do problema de optimização determinam os algoritmos de so-lução:
• Optimização contínua (x ∈ R).
• Optimização discreta emista (n ∈ N+0 , x ∈ R).
• Optimização de trajectórias ( f (t), t ∈ [t0, t f ]).
Tipo Objectivo Restrições VariáveisIP L L ILP L L R
MILP L L I, RNLP NL NL R
MINLP NL NL I, RNIP NL NL I
14 Optimização — UA, 24 Maio 2013
5.1. Optimality conditions — continuous optimization
L (x,λ ,µ) = φ(x)+λTh(x)+µ
Tg(x)
∇xL = 0 ⇒ ∇φ(x∗)+∇h(x∗) ·λ +∇g(x∗) ·µ = 0
(1)
∇λL = 0 ⇒ h(x) = 0
complementarity ⇒µigi(x∗) = 0µi ≥ 0
15 Optimização — UA, 24 Maio 2013
(1) can be interpreted as a force balance for equilibrium:
x 2
x 1
h(x)=0
-∇f(x*)
-∇h(x*)
g (x)≤02
g (x)≤01
-∇g (x*)1
x*
16 Optimização — UA, 24 Maio 2013
5.2. Solution methods for MILP• Real relaxation (LP) + solution rounding.
. Dangerous with binary variables.
• Explicit enumeration: Build complete decision tree:
. Only possible with very small problems (brute force).
For m discrete variables, with ni distinct values, need to solvem
∏i=1
ni continuous optimization problems, in (nv−m) variables.
. Several strategies to visit nodes (depth-first, breadth-first, specific A.I. heuristics).
17 Optimização — UA, 24 Maio 2013
• Method of cutting planes:
. Start with LP relaxation.
. If not integer solution already, add constraints to previous problems, solve new LP.
. Incremental characterization of convex hull of problem.
• Boolean methods (only binary variables):
. Exploit similarities with propositional logic and theorem proving (e.g., PROLOG).
• Branch & Bound: (implicit enumeration)
. Create decision tree (branch). Use solution bounds to reduce search space (bound).
Reference formulation:
minx,y
aTy+ cTx
s.a By+Ax≤ bx≥ 0, y ∈ {0,1}
Lower bound: solution of relaxed LP.Upper bound: best integer solution so far.
18 Optimização — UA, 24 Maio 2013
Simple example:
19 Optimização — UA, 24 Maio 2013
6. Exemplos de aplicação
6.1. Projecto de produto — escolha de um agente de separação
Selecção de agente de extracção para promover separação L/L na produção deanilina (ANL), por hidrogenação em fase líquida do nitrobenzeno (MNB):
Os produtos principais são ANL, W, CHA e CHOL.É necessário separar e recuperar as fases aquosa e orgânica.
20 Optimização — UA, 24 Maio 2013
Definição do problema (cont.)Restrições na escolha do agente de separação:
• Reduzido impacto na saúde, boa disponibilidade, preço acessível;
• Baixa (ou alta) densidade quando comparada com a anilina, para acelerar aseparação;
• Quase insolúvel em água para minimizar perdas de solvente na correnteaquosa;
• Deve quebrar o azeótropoW/CHA, uma vez que a sua separação por destilaçãoseria pouco eficiente, pondo em causa a sua purificação;
• Deve ter TBP < TBP,CHA, mas suficientemente alta para evitar problemas no con-densador.
Muitas vezes, o agente escolhido é uma substância já presente no processo, comoo MNB ou o BZ. Contudo, estas escolhas podem levantar alguns problemas (p.e.,operacionais ou ambientais).
∴ Desejável uma solução sistemática.
21 Optimização — UA, 24 Maio 2013
6.1.1. Metodologia de resolução
Conceptualização (design molecular):
1. Restrições do problema:
ge(n,u,y)≤ 0 — estruturais.gp(n,u)≤ 0 — propriedades.
go(n,u,x,y)≤ 0ho(n,u,x,y) = 0
}— operacionais.
u,y ∈ {0,1}, n ∈ N, x ∈ R
2. Conjunto de funções objectivo Φ = {φi(n,u,x,y)}.Critérios individuais podem ser particionados em classes, p.e.:
Φ = Φp∪Φs
P≡ performance do produto; S≡ Segurança (operação, ambiente).
22 Optimização — UA, 24 Maio 2013
Outras metodologias
o suportadas em base de dados, p.e. PARIS II (EPA):
• Program forAssisting theReplacement of Industrial Solvents, v2,∼ 2000.• Suportado na DIPPR 97 [Gammon, 1997].• Diversos tipos de desempenhos e impactos ambientais podem ser consi-derados, e pesados.• + info em http://www.epa.gov/nrmrl/std/mtb/paris.htm.
o mistas (bases de dados / correlações):
• Estimation Program Interface Suite (EPISuite, EPA) — http://www.epa.gov/oppt/exposure/pubs/episuite.htm
• ProCAMD (CAPEC) — http://www.capec.kt.dtu.dk/Software/ICAS-and-its-Tools/ICAS-Toolboxes7
• ChemSpider (RSC) — http://www.chemspider.com/
23 Optimização — UA, 24 Maio 2013
Outras metodologias (cont.)
o baseadas na decomposição do problema, e.g. [Harper e Gani, 2001]:
"I want acyclicalcohols, ketones,
aldehydes and etherswith solvent properties
similar to Benzene"
A set of building blocks:CH3, CH2, CH, C, OH,CH3CO, CH2CO, CHO,
CH3O, CH2O, CH-O+
A set of numericalconstraints
A collection of groupvectors like:
3 CH3, 1 CH2, 1 CH,1 CH2O
All group vectorssatisfy constraints
Refined propertyestimation. Ability toestimate additionalproperties or use
alternative methods.
Rescreening againstconstraints.
CH3
CH2
OCH
CH2
CH3
CH3
CH3
CH2
OCH2
CHCH3
CH3
CH3
CH2
OCH
CH2
CH3
CH3
CH3
CH2
OCH2
CHCH3
CH3
2.ordergroup
Pre-design Design (Start)
Design (Higher levels) Start of Post-design
Interpretation toinput/constraints
Group fromother GCA
method
Basic steps of CAMD
24 Optimização — UA, 24 Maio 2013
6.1.2. Formulação matemática — 1a¯ etapa
Geração de estruturas moleculares viáveis que satisfazem as restrições de propri-edades físicas [Machado et al., 2009]:
minn,u,y ∑
k∈Knkvk
s.a nk = ∑m∈M
um,k, ∀k; ms = ∑k∈K
nk; ms ≥ 2+ yc; ya+ yc = 1
∑k∈K
um,k ≥ ∑k∈K
um+1,k, ∀m ∈M \{card(M)}
nk = ∑j∈J
yNk, j2
j−1, ∀k; ∑k∈K
nk(2− vk) = 2ya; ∑k′∈K
nk′ ≥ nk(vk−1)+2, ∀k
∑k∈K
um,k[vk(NG+1)+NG− pk +1
]≥ ∑
k∈Kum+1,k
[vk(NG+1)+NG− pk +1
],
∀m ∈M \{card(M)}
∑j∈J
∑k∈K
ck, j,syNk, j−∑
j∈J∑k∈K
(1− ck, j,s)yNk, j ≤∑
j∈J∑k∈K
ck, j,s−1, ∀s
gpl(n,u)≤ 0
MILP; considera restrições estruturais e de propriedades físicas.
25 Optimização — UA, 24 Maio 2013
Informação adicional
o Tamanho molecular máximo: 11 grupos.
o Moléculas c/ estrutura linear.
o Métodos de CG de [Marrero e Gani, 2001, Marrero e Gani, 2002] para estima-tivas lineares das propriedades físicas dos compostos:
P(X) = ∑i
niCi︸ ︷︷ ︸1a¯ ordem
+∑j
m jC j︸ ︷︷ ︸2a¯ ordem
+ ∑k
okEk︸ ︷︷ ︸correcções
Vários grupos (fragmentos moleculares) considerados, e.g.:
CH3- -CH2- -CH= =C=CH3N= -CH2N= etc.
o Restrições de [Odele e Machietto, 1993] para satisfazer valências químicas:
∑k∈K
nk(2− vk) = 2ya, ya = {0,1}
26 Optimização — UA, 24 Maio 2013
o Todas soluções viáveis encontradas (usando integer cuts):
∑i|ni,k−ni,k′| ≥ 1, k′ = {1,2, . . . ,k−1}
(Reformular | · |, devido a derivada descontínua). Usar em alternativa:
∑i∈S∗k
yi− ∑i∈N∗k
yi ≤ ‖S∗k‖−1
(Exemplo?)
o Cálculo dos índices de desempenho:
• PIO: αa/CHA, ∆Hv, ρL, Sw.• SIO: Kow, Tf .
27 Optimização — UA, 24 Maio 2013
6.1.3. Alguns resultados
Avaliação do desempenho relativo de alcanos,mono- e di-aminas.Grupos moleculares considerados:• CH3, CH2, CH, C, CNH2, CHNH2, CH2NH2, CH3NH, CH2NH, CHNH, CH3N,CH2N.• 1 ou 2 grupos substituídos na molécula.
Solução para P1:• 77 estruturas moleculares viáveis; 10 s de CPU (GAMS/CPLEX).
i Configuration MW TBP [K] Tf [K] ∆Hv [kJ/mol] ρL αa/CHA log10(Sw) · · ·
1 CHNH2 CHNH2 CH3 CH3 - - - 88.20 394.5 301.7 44.26 0.81 1.48 3.13 · · ·4 CHNH CHNH2 CH3 CH3 CH3 - - 102.2 394.0 295.4 42.48 0.63 1.49 3.43 · · ·9 CH3N CHNH2 CH2 CH3 CH3 - - 102.2 394.7 295.9 42.62 0.74 1.47 4.01 · · ·8 CH2N CHNH2 CH3 CH3 CH3 - - 102.2 389.8 291.2 41.07 0.81 1.68 4.40 · · ·3 CH3N CHNH2 CH3 CH3 - - - 88.20 365.9 276.6 37.71 0.76 3.47 4.39 · · ·31 CHNH CHNH CH3 CH3 CH3 CH3 - 116.2 393.5 289.8 40.70 0.52 1.50 3.74 · · ·26 CHNH CH3N CH2 CH3 CH3 CH3 - 116.2 394.1 290.3 40.84 0.60 1.48 4.31 · · ·38 C CHNH2 CH2 CH3 CH3 CH3 CH3 115.2 403.8 297.3 44.29 0.72 1.12 2.61 · · ·20 CH2 CH2 CH2 CHNH2 CH3 CH3 - 101.2 396.3 294.1 42.94 0.69 1.40 2.70 · · ·47 CH CH CHNH2 CH3 CH3 CH3 CH3 115.2 401.6 296.3 44.57 0.71 1.20 2.45 · · ·...
......
......
......
......
......
......
......
. . .
28 Optimização — UA, 24 Maio 2013
Desempenho comparativo das moléculas candidatas:
0
0,5
1
1,5
2
0 0,5 1 1,5
SIO
PIO
DA MA HC
As di-aminas fornecem melhores soluções, seguidas das mono-aminas e alca-nos.R Exemplo de aplicação de optimizaçãomulti-objectivo.
29 Optimização — UA, 24 Maio 2013
6.2. Descrição de esquemas reacionais — hidrogenação de AS
Fig. 2. Concentration time profile for hydrogenation of succi-nic acid using 1% Ru–Co catalyst. Reaction conditions: 523 K;total pressure: 10.35 Mpa; concentration of succinic acid: 1.865kmol/m3; catalyst concentration: 62.5 kg/m 3; solvent: 1,4 di-oxane+water (15:1); total volume: 1 10 4 m3. Scheme 1. Hydrogenation products of succinic acid.
[Deshphande et al., 2002]
30 Optimização — UA, 24 Maio 2013
6.2.1. Resultados preliminares:
Método integral: Melhor ajuste a cinéticas de 1a¯ ordem (parcialmente reversíveis)e esquema reaccional correspondente:
æ
æ
æ
æ
æ
æ
æ
æ æ æ æ æ æ æ æ æ æà
à
à
à
à
à
à
à
à
à
à
à
àà
à
ààìììììì ì ì ì ì
ì
ì
ìì
ì
ìì
òòòòòò ò ò
ò
ò
ò
ò ò
ò
ò
ò òôôôôôô ô ô ô ô ô ô ô ôô ô
ô
çççççç ç ç ç ç ç
çç ç
ç
çç
0 1 2 3 4 5 60.0
0.2
0.4
0.6
0.8
1.0
t @hD
C�C 0
2.63222
0.424756
0.693335
0.95363.27869
0.139559
AS
GBL
BDO
THF
BuOH
PrOH
Conhecimento do esquema reaccional é base para projecto dos processos!
31 Optimização — UA, 24 Maio 2013
6.2.2. Formulação matemática:
1. Quais os esquemas reaccionais mais compatíveis com dados experimentaisdisponíveis?
2. Quais os esquemas reaccionais possíveis?
3. Que reacções químicas podem ser usadas?
Reacções químicas possíveis:
n1A1+n2A2+ · · ·+n3A3= 0
Por exemplo:
GBL + 2H2 BDO, AS + 4H2 BDO + 2H2O
∴ FormulaçãoMILP possível. R ver.
32 Optimização — UA, 24 Maio 2013
Super-estrutura reaccional:
r18-H2O, +H2<
r28-H2O, +H2<r158-H2, +CH4<
r38-H2, +H2O<
r48-H2, +H2O<
r58-H2, +H2O<
r68-H2<
r78-H2, +H2O<
r88-H2, +H2O<
r98-H2, +CH4, +H2O<
r108+H2O<
r118-H2, +H2O<
r128-H2, +CH4, +H2O<r138-H2<
r148-H2, +CH4<
CH4
BuOH
PrOH
AS
GBL
BDO
THF
Passos seguintes:
• Geração de mecanismos alternativos.
• Teste de alternativas.
33 Optimização — UA, 24 Maio 2013
6.3. Simulação / optimização de processos
Recuperação de COVs[Umeda, 1969, Umeda e Ichikawa, 1971, Ferreira e Salcedo, 2001]:
34 Optimização — UA, 24 Maio 2013
Modelo shortcut:
⇒ simplificação das equações do modelo necessária antes de solução R ver.
35 Optimização — UA, 24 Maio 2013
Em geral, com problemas não-lineares necessários cuidados especiais na formu-lação do problema, nomeadamente:
• Reformular problema, para diminuir não-linearidades.
• Fornecer estimativas iniciais.
• Fornecer limites para variáveis.
• Normalizar variáveis e equações (factores de escala).
Sem estes cuidados é provável que os modelos não possam ser resolvidos!
36 Optimização — UA, 24 Maio 2013
6.4. Tratamento de dados experimentais
6.4.1. Extracção líquido-líquido com LIons [Neves et al., 2011]
Fig. 1 Chemical structures of the common IL cation ([TDTHP] + )combined with the di�erent anions studied in this work.
IL0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
EtOH
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
H2O
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
[THTDP][NTf 2]
[THTDP][Br][THTDP][N(CN) 2]
[THTDP][Phosph][THTDP][CH 3SO 3]
[THTDP][Cl][THTDP][Deca]
Fig. S1 Experimental ternary phase diagrams for all IL + EtOH + H2O systems at 298.15 K
(mass fraction units).
37 Optimização — UA, 24 Maio 2013
Equilíbrio de fases descrito pelo modelo NRTL:
minz
φ = ∑i
∑j∑k
ωi(wexpi jk −wmodi jk )2
s.a γi, j,1xi, j,1 = γi, j,2xi, j,2
gE
RT= ∑
ixi lnγi = ∑
i
xiLi
Mi
lnγi =Li
Mi+∑
j
x jGi j
M j(τi j−
L j
M j)
Li = ∑k
xkτkiGki
Mi = ∑k
xkGki
Gi j = exp(−αi jτi j)
τi j =(gi j−gii)
RT=
∆gi j
RT, i 6= j, e τi j = 0, i = j
(2)
Como implementar modelo?
38 Optimização — UA, 24 Maio 2013
Código GAMS:
* Interaction parameters:gdef(IC,J)$(ord(IC) ne ord(J)) .. G(IC,J) =e= exp(-alpha(IC,J)*tau(IC,J));
* Common terms:leq(IT,IC,IP) .. lsum(IT,IC,IP) =e= SUM(K, x(IT,K,IP)*tau(K,IC)*G(K,IC));meq(IT,IC,IP) .. msum(IT,IC,IP) =e= SUM(K, x(IT,K,IP)*G(K,IC));
* Activity coefficients:gamme1(IT,I,J,IP) .. fac1(IT,I,J,IP)*msum(IT,J,IP) =e= x(IT,J,IP)*G(I,J);
gamme2(IT,I,J,IP) .. lsum(IT,J,IP) =e= msum(IT,J,IP)*(tau(I,J) - fac2(IT,I,J,IP));
gamme3(IT,IC,IP) .. fac3(IT,IC,IP) =e= sum(J, fac1(IT,IC,J,IP)*fac2(IT,IC,J,IP));
gamme4(IT,IC,IP) .. lsum(IT,IC,IP) =e= msum(IT,IC,IP)*(lngamma(IT,IC,IP) -fac3(IT,IC,IP));
* Equilibrium constraints:eqequi(IT,IC) .. x(IT,IC,’IL’)*exp(lngamma(IT,IC,’IL’)) =e=
x(IT,IC,’WP’)*exp(lngamma(IT,IC,’WP’));
Interaçõesmuito fortes dificultam simulação e optimização. Tambémmuitos óp-timos locais.
39 Optimização — UA, 24 Maio 2013
6.4.2. Métodos CG para LIons
Viscosidade usando modelo VTF [Gardas e Coutinho, 2009]:
lnη = A+B
T −T0
Parâmetros A, B (e T0) podem ser correlacionados com estrutura dos LIons:
A = ∑i
niai, B = ∑i
nibi
ai, bi obtidos por regressão de dados (muitos) experimentais.
Possível regressão individual ou conjunta.
40 Optimização — UA, 24 Maio 2013
Alguns resultados das regressões individuais:
i Name A B T0 A B T01 BmimPF6 8.85089 907.493 177.185 0.591189 166.437 12.73232 hmimPF6 9.4685 1117.48 170.339 0.393121 115.283 7.47623 OmimPF6 10.9154 1619.07 144.448 1.3601 464.653 24.33734 BmimBF4 9.96064 1185.23 143.819 0.430107 154.222 11.52755 HmimBF4 8.5527 818.894 177.752 0.138475 35.8143 2.814216 OmimBF4 9.63813 1206.97 154.052 3.49772 1149.65 77.73247 C2mimTf2N 9.3668 1055.79 119.252 0.500159 206.477 19.97298 C4mimTf2N 10.953 1614.01 93.9538 0.73131 339.692 24.25619 C6mimTf2N 8.95801 845.802 163.612 0.16828 54.1871 5.0612410 C8mimTf2N 9.3183 963.986 158.707 0.184071 59.2018 4.8749711 BmimAc 8.68993 831.56 192.287 0.108041 26.4735 1.9190312 C1mimMeSO4 8.06014 636.677 181.124 0.183647 49.2405 5.1143513 C4mimMeSO4 9.19024 996.325 167.82 0.0284524 8.36967 0.6128614 C2mimEtSO4 8.43603 746.461 176.182 0.136217 41.1788 4.1012915 C2mimCF3SO3 6.9392 339.928 207.586 0.357015 80.0329 12.95216 C4mimCF3SO3 11.0083 1726.2 94.1 2.67915 1197.49 77.093117 mePyCH23TF2N 9.10949 865.906 160.55 0.194665 61.8239 5.5927618 mePyCH25TF2N 8.38371 690.672 180.371 0.267777 72.1269 6.9382519 mePyCH23CH3Tf2N 8.1865 632.585 181.341 0.23546 62.9567 6.5624320 mePyCH25CH3Tf2N 9.31679 961.796 157.658 0.391999 123.677 10.042621 mePyCH23CH3BF4 9.22097 899.298 177.978 0.522529 146.377 11.27822 mePyCH2EtSO4 8.10928 667.705 188.907 0.279033 70.2998 6.5308723 mePyCH2CH3EtSO4 8.48681 746.1 184.821 0.266264 69.3037 5.9580824 dimePYRCH23Tf2N 8.01896 566.445 193.932 1.47608 366.93 39.6217 Min 11.0083 339.928 93.9538 0.0284524 8.36967 0.61286 Max 6.9392 1726.2 207.586 3.49772 1197.49 77.7324
41 Optimização — UA, 24 Maio 2013
Agora em conjunto (regressão linear):
LinearModelFit::rank :
The rank of the fully coded design matrix 10 is less than the number of terms in the model. The model has
been reduced to 10 terms. >>
FittedModel - 5.68698x 1014 # 1 - 0.198194 # 2 + <<11>>
R Necessário revisitar pressupostos para regressão linear (muitos!).
Para modelos yi = f (xi,θ)+ ei (erros aditivos):
• · · ·
• Sem erros nos xi (OLS).
• ei com distribuição normal: ei ∼N (0,σ2)→ verificar.
• Regressores devem ser linearmente independentes.
42 Optimização — UA, 24 Maio 2013
y = Xθ → (XTX)θ ∗ = XTy
Previsões do modelo Equações normais
Dependência dos regressores reflecte-se no condicionamento numérico de X .
• Qual o númeromáximo de regressores a incluir?
• Qual o número ideal de regressores a incluir?Possível usar por exemplo critérios de informação (Akaike, Bayesiano), e.g.,Mathematica, Matlab [Duarte et al., 2008]:
minθ ,k
AIC=−2lnL+2k Akaike
minθ ,k
BIC=−2lnL+k lnn BIC
−2lnL = n ln(2πσ2)+∑
i
e2i
σ2
43 Optimização — UA, 24 Maio 2013
6.5. Síntese de sistemas de separação [Neves et al., 2005]
Fig. 1. Continuous formulations for the optimization of distillation units (a) DDF-based and (b) split fractions-based.
44 Optimização — UA, 24 Maio 2013
7. O que fica?o Representations andmodels are the natural tools in PSE.
o A optimização permite o desenvolvimento de abordagens sistemáticas paraexplorar as alternativas que satisfazem as restrições e optimizam o objectivo.A sua utilização depende de forma significativa das características chave domodelo.
o PSE has both practical and theoretical implications.
o Current research areas also atmicro-scale (molecular simulation, CFD, pro-duct design) andmacro-scale (logistics, production planning), and integra-tion of all levels.
45 Optimização — UA, 24 Maio 2013
Referências
[Biegler et al., 1997] L.T. Biegler, I.E. Grossmann, A.W. Westerberg (1997). Systematic Methods of ChemicalProcess Design, Prentice-Hall PTR, Upper Saddle River, NJ.
[Bird et al., 2002] R.B. Bird, W.E. Stewart, E.N. Lightfoot (2002). Transport Phenomena, 2nd Edition, J. Wiley& Sons, New York.
[Deshphande et al., 2002] R.M. Deshphande, V.V. Buwa, C.V. Rode, R.V. Chaudhari, P.L. Mills, “Tailoring ofActivity and Selectivity Using Bimetalic Catalyst in Hydrogenation of Succinic Acid”, Catalysis Comm.,3, 269–274 (2002).
[Duarte et al., 2008] B.P.M. Duarte, M.J. Moura, F.J.M. Neves, N.M.C. Oliveira, “Amathematical programmingframework for optimal model selection/validation of process data”, Computer Aided Chemical Enginee-ring, 25, Proc. of the 18th European Symposium on Computer-Aided Process Engineering, ESCAPE-18,343–348 (2008).
[Ferreira e Salcedo, 2001] E.C. Ferreira, R. Salcedo, “A Tool to Optimize VOC Removal During Absorption andStripping”, Chemical Eng., Jan, 94–98 (2001).
[Gammon, 1997] B.E. Gammon, K.N. Marsh, A.K.R. Dewan, Q. Dong, DIPPR 882 — Transport Properties andRelated Thermodynamic Data of Binary Mixtures, Parts 1–4, Design Institute for Physical Property Rese-arch/AIChE (1997).
[Douglas, 1988] J.M. Douglas (1988). Conceptual Design of Chemical Processes, McGraw-Hill, New York.
[Gardas e Coutinho, 2009] R.L. Gardas, J.A.P. Coutinho, “Group Contribution Methods for the Prediction ofThermophysical and Transport Properties of Ionic Liquids”, AIChE J., 55(5), 1274–1290 (2009).
[Grossmann and Westerberg, 2000] I.E. Grossmann, A.W. Westerberg (2000). “Research Challenges in Pro-cess Systems Engineering”, AIChE J., 46(9), 1700–1703.
46 Optimização — UA, 24 Maio 2013
[Grossmann, 2004] I.E. Grossmann (2004). “Challenges in the New Millennium: Product Discovery and De-sign, Enterprise and Supply Chain Optimization, Global Life Cycle Assessment”, Proc. PSE2003.
[Harper e Gani, 2001] P.M. Harper, R. Gani, “AMulti-Step andMulti-Level Approach for Computer AidedMo-lecular Design”, Comp. & Chem. Eng., 24, 677–683 (2000).
[Machado et al., 2009] D.M.J. Machado, F.J.M. Neves, F.P. Mendes, P.P. Araújo, B.P.M. Duarte, N.M.C. Oli-veira, “Systematic selection of extraction solvents in the aromatics production”, Computer Aided Che-mical Engineering 26, Proc. of the 19th European Symposium on Computer-Aided Process Engineering,ESCAPE-19, 75-80, Elsevier, Amsterdam (2009).
[Marquardt et al., 2000] W. Marquardt, L.v. Wedel, B. Bayes (2000). “Perspectives on Lifecycle Process Mode-ling”, in M.F. Malone, J.A. Trainham, B. Barnahan (Eds.), AIChE Symp. Ser. 323, 96, 192–214.
[Marrero e Gani, 2001] J. Marrero, R. Gani, “Group-contribution Based Estimation of Pure Component Pro-perties”, Fluid Phase Equilibria, 183–184, 183–208 (1993).
[Marrero e Gani, 2002] J.Marrero, R. Gani, “GroupContribution Based Estimation ofOctanol/Water PartitionCoefficient and Aqueous Solubility”, I. & E.C. Research, 41, 6623–6633 (2002).
[Neves et al., 2005] F.J.M. Neves, D.C.M. Silva, N.M.C. Oliveira, “A robust strategy for optimizing complexdistillation columns”, Comp. & Chem. Eng., 29, 1457–1471, (2005).
[Neves et al., 2011] C.M.S.S. Neves, J.F.O. Granjo, M.G. Freire, A. Robertson, N.M.C. Oliveira, J.A.P. Coutinho,“Separation of ethanol–water mixtures by liquid–liquid extraction using phosphonium-based ionic li-quids”, Green Chem., 13, 1517–1526 (2011).
[Odele e Machietto, 1993] O. Odele, S. Machietto, “Computer Aided Molecular Design: A Novel Method forOptimal Solvent Selection”, Fluid Phase Equilibria, 82, 47–54 (1993).
[Rudd e Watson, 1968] D.F. Rudd, C.C. Watson (1968). Strategy of Process Engineering, J. Wiley & Sons, NewYork.
47 Optimização — UA, 24 Maio 2013
[Sargent, 1991] R.W.H. Sargent (1991). “What is Chemical Engineering?”, CAST Newsletter, 14(1), 9–11.
[Umeda, 1969] T. Umeda, “Optimal Design of an Absorver-Stripper System”, I. & E.C. Proc. Design, 8(3), 308–317 (1969).
[Umeda e Ichikawa, 1971] T. Umeda, A. Ichikawa, “A Modified Complex Method for Optimization”, I. & E.C.Process Design Dev., 10(2), 229-236 (1971).
[Westerberg, 1998] A.W. Westerberg (1998). “Process Engineering II — A System’s View”, AIChE Meeting,Miami, FL.
48 Optimização — UA, 24 Maio 2013