Date post: | 03-Jan-2016 |
Category: |
Documents |
Upload: | bruce-mendoza |
View: | 54 times |
Download: | 0 times |
Módulo 8 – Introducción a la Integración de Procesos 11
PIECENAMPProgram for North American Mobility in Higher EducationProgram for North American Mobility in Higher Education
NAMNAMPP
Introducing Process integration for Environmental Control in Engineering CurriculaIntroducing Process integration for Environmental Control in Engineering Curricula
Introducción a la Introducción a la Integración de Integración de
ProcesosProcesos
Tier IITier II
Módulo 8Módulo 8
PIECEPIECE
Módulo 8 – Introducción a la Integración de Procesos 22
PIECENAMP
Cómo usar esta presentaciónCómo usar esta presentación
Esta presentación contiene links internos a otras diapositivas y Esta presentación contiene links internos a otras diapositivas y links externos a sitios web:links externos a sitios web:
Ejemplo de un linkEjemplo de un link (texto subrayado en gris): link a una (texto subrayado en gris): link a una diapositiva en la presentación a un sitio webdiapositiva en la presentación a un sitio web
: link a la tabla de contenido del tier: link a la tabla de contenido del tier
: link a la última diapositiva revisada: link a la última diapositiva revisada
: cuando el usuario ha pasado por toda la presentación, : cuando el usuario ha pasado por toda la presentación, algunas preguntas de opción múltiple son efectuadas al final del algunas preguntas de opción múltiple son efectuadas al final del tier. Este icono lleva al usuario nuevamente al enunciado de tier. Este icono lleva al usuario nuevamente al enunciado de pregunta si la respuesta elegida es erróneapregunta si la respuesta elegida es errónea
Módulo 8 – Introducción a la Integración de Procesos 33
PIECENAMP
Tabla de contenidoTabla de contenidoResumen del ProyectoResumen del Proyecto
Instituciones participantesInstituciones participantesCreadores del móduloCreadores del módulo
Estructura y Propósito del MóduloEstructura y Propósito del MóduloTier IITier II
Enunciado de propósitoEnunciado de propósitoSeccionesSecciones2.1 Ejemplo trabajado usando Modelamiento 2.1 Ejemplo trabajado usando Modelamiento impulsado por datos (Data-driven modeling), más impulsado por datos (Data-driven modeling), más específicamente Análisis Multivariableespecíficamente Análisis Multivariable2.2 Ejemplo trabajado usando Análisis Pinch Térmico2.2 Ejemplo trabajado usando Análisis Pinch Térmico2.3 Ejemplo trabajado usando Diseño y Control 2.3 Ejemplo trabajado usando Diseño y Control Integrado de Procesos, más específicamente Análisis Integrado de Procesos, más específicamente Análisis de Controlabilidadde ControlabilidadQuizQuiz
Módulo 8 – Introducción a la Integración de Procesos 44
PIECENAMP
ObjetivosObjetivos Crear módulos web para ayudar a las universidades a Crear módulos web para ayudar a las universidades a realizar la introducción de la Integración de Procesos a realizar la introducción de la Integración de Procesos a la currícula de Ingenieríala currícula de IngenieríaHacer de estos módulos ampliamente disponibles en Hacer de estos módulos ampliamente disponibles en cada uno de los países participantescada uno de los países participantes
Instituciones ParticipantesInstituciones Participantes Dos universidades de tres países (Canadá, México y Dos universidades de tres países (Canadá, México y Estados Unidos de América)Estados Unidos de América)Dos institutos de investigación en diferentes sectores Dos institutos de investigación en diferentes sectores industriales: petróleo (México) y pulpa y papel (Canadá)industriales: petróleo (México) y pulpa y papel (Canadá)Cada una de las seis universidades ha patrocinado a 7 Cada una de las seis universidades ha patrocinado a 7 estudiantes de intercambio durante el periodo de la estudiantes de intercambio durante el periodo de la beca, subvencionados en parte por cada uno de los beca, subvencionados en parte por cada uno de los gobiernos de los tres países gobiernos de los tres países
Resumen del ProyectoResumen del Proyecto
Módulo 8 – Introducción a la Integración de Procesos 55
PIECENAMP
Program for North American Mobility in Higher EducationProgram for North American Mobility in Higher Education NAMPNAMP
Process integration for Environmental Control in Engineering CurriculaProcess integration for Environmental Control in Engineering CurriculaPIECEPIECE
University of University of OttawaOttawa
École École Polytechnique Polytechnique de Montréalde Montréal
Instituto Instituto Mexicano del Mexicano del
PetrPetróóleoleo
PapricanPaprican
Universidad Universidad AutAutóónoma de noma de
San Luis PotosSan Luis Potosíí
University of University of Texas A&MTexas A&M
Universidad de Universidad de GuanajuatoGuanajuato North Carolina North Carolina
State State UniversityUniversity
Módulo 8 – Introducción a la Integración de Procesos 66
PIECENAMP
Módulo 8Módulo 8
Este módulo fue creado Este módulo fue creado por:por:
Carlos Alberto Miranda Carlos Alberto Miranda AlvarezAlvarez
Jean-Martin Jean-Martin BraultBrault
Institución Institución AnfitrionaAnfitriona
DeDe Profesor Profesor anfitriónanfitrión
Paul StuartPaul Stuart
Martin Picon-Martin Picon-NuNuññezez
Módulo 8 – Introducción a la Integración de Procesos 77
PIECENAMP
Estructura del Módulo 8Estructura del Módulo 8¿Cuál es la estructura de este módulo?¿Cuál es la estructura de este módulo?
Todos los módulos están divididos en 3 tiers, cada uno con Todos los módulos están divididos en 3 tiers, cada uno con una meta específica:una meta específica:
Tier I: AntecedentesTier I: AntecedentesTier II: Aplicaciones a Caso de EstudioTier II: Aplicaciones a Caso de EstudioTier III: Problema de Diseño Propuesto-Resuelto Tier III: Problema de Diseño Propuesto-Resuelto
Se pretende completar estos tiers en ese orden particular. Se pretende completar estos tiers en ese orden particular. Los estudiantes son evaluados en varios puntos para medir Los estudiantes son evaluados en varios puntos para medir su grado de comprensión, antes de proseguir al siguiente su grado de comprensión, antes de proseguir al siguiente nivel. Cada tier contiene un enunciado de propósito u nivel. Cada tier contiene un enunciado de propósito u objetivo al inicio y un quiz al final. objetivo al inicio y un quiz al final.
Módulo 8 – Introducción a la Integración de Procesos 88
PIECENAMP
¿Cuál es el propósito de este módulo?Cuál es el propósito de este módulo?
Es el objetivo de este módulo cubrir los aspectos básicos de Es el objetivo de este módulo cubrir los aspectos básicos de los los Métodos Métodos yy herramientas de Integración de herramientas de Integración de Procesos Procesos , y colocar a la , y colocar a la Integración de Procesos Integración de Procesos en una en una perspectiva más amplia. Está identificado como un perspectiva más amplia. Está identificado como un prerrequisito para otros módulos relacionadas con el prerrequisito para otros módulos relacionadas con el aprendizaje de aprendizaje de Integración de ProcesosIntegración de Procesos. .
Propósito del Módulo 8Propósito del Módulo 8
Módulo 8 – Introducción a la Integración de Procesos 99
PIECENAMP
Tier IIEjemplos Resueltos
Módulo 8 – Introducción a la Integración de Procesos 1010
PIECENAMP
Tier II Enunciado de PropósitoTier II Enunciado de Propósito
La meta de este tier es demostrar varios La meta de este tier es demostrar varios conceptos y herramientas de Integración de conceptos y herramientas de Integración de Procesos usando ejemplos reales. Tres ejemplos Procesos usando ejemplos reales. Tres ejemplos serán dados, centrándose principalmente en tres serán dados, centrándose principalmente en tres herramientas de Integración de Procesos. Al final herramientas de Integración de Procesos. Al final del Tier II, el estudiante debe tener una idea del Tier II, el estudiante debe tener una idea general de lo que es: general de lo que es:
Modelamiento impulsado por datos (Data-Modelamiento impulsado por datos (Data-Driven Modeling) - Análisis MultivariableDriven Modeling) - Análisis MultivariableAnálisis Pinch Térmico Análisis Pinch Térmico Diseño y Control Integrado de Procesos – Diseño y Control Integrado de Procesos – Análisis de ControlabilidadAnálisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 1111
PIECENAMP
Tier II ContenidoTier II Contenido
El Tier II está dividido en tres seccionesEl Tier II está dividido en tres secciones
2.1 Ejemplo trabajado usando 2.1 Ejemplo trabajado usando Modelamiento impulsado por datos, más Modelamiento impulsado por datos, más específicamente Análisis Multivariableespecíficamente Análisis Multivariable2.2 Ejemplo trabajado usando Análisis 2.2 Ejemplo trabajado usando Análisis Pinch TérmicoPinch Térmico2.3 Ejemplo trabajado usando Diseño y 2.3 Ejemplo trabajado usando Diseño y Control Integrado de Procesos, más Control Integrado de Procesos, más específicamente Análisis de específicamente Análisis de ControlabilidadControlabilidad
Un pequeño quiz de opción múltiple se Un pequeño quiz de opción múltiple se encontrará al final de este tier. encontrará al final de este tier.
Módulo 8 – Introducción a la Integración de Procesos 1212
PIECENAMP
2.1 Ejemplo resuelto 1: Modelamiento impulsado 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariablepor datos – Análisis Multivariable
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
2.3 Ejemplo resuelto 3: Diseño y Control 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Integrado de Procesos – Análisis de ControlabilidadControlabilidad
2.1 Ejemplo resuelto 1: Modelamiento impulsado 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariablepor datos – Análisis Multivariable
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
2.3 Ejemplo resuelto 3: Diseño y Control 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Integrado de Procesos – Análisis de ControlabilidadControlabilidad
Tier II ResumenTier II Resumen
Módulo 8 – Introducción a la Integración de Procesos 1313
PIECENAMP
2.1 Ejemplo Resuelto 1: Modelamiento Impulsado por Datos (Data Driven Modelingven Modeling) )
– Análisis Multivariable– Análisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 1414
PIECENAMP
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable (MVA) – Recordatorio
Tmt X1 X4 X5 Rep
Y avec
Y sans
1 -1 -1 -1 1 2.51 2.74
1 -1 -1 -1 2 2.36 3.22
1 -1 -1 -1 3 2.45 2.56
2 -1 0 1 1 2.63 3.23
2 -1 0 1 2 2.55 2.47
2 -1 0 1 3 2.65 2.31
3 -1 1 0 1 2.45 2.67
3 -1 1 0 2 2.6 2.45
3 -1 1 0 3 2.53 2.98
4 0 -1 1 1 3.02 3.22
4 0 -1 1 2 2.7 2.57
4 0 -1 1 3 2.97 2.63
5 0 0 0 1 2.89 3.16
5 0 0 0 2 2.56 3.32
5 0 0 0 3 2.52 3.26
6 0 1 -1 1 2.44 3.1
6 0 1 -1 2 2.22 2.97
6 0 1 -1 3 2.27 2.92
Representación gráfica del Representación gráfica del MVAMVA
Datos Datos "crudos" (sin "crudos" (sin
procesar): procesar): imposibles de imposibles de
interpretarinterpretar
Modelo EstadísticoModelo Estadístico(parte (parte
del del softwaresoftware
))
Salidas visuales en 2-DSalidas visuales en 2-D
tendencia
tendencia
tendencia
Y
XX
X
X
Miles de corridas
Cientos de columnas
..
. ...
. . .
.
. .
Módulo 8 – Introducción a la Integración de Procesos 1515
PIECENAMP
Se asume que el estudiante está familiarizado con los Se asume que el estudiante está familiarizado con los siguientes conceptos estadísticos básicos: media, mediana, siguientes conceptos estadísticos básicos: media, mediana, moda; desviación estándar, varianza, normalidad, simetría; grado moda; desviación estándar, varianza, normalidad, simetría; grado de asociación, coeficientes de correlación; Rde asociación, coeficientes de correlación; R22, Q, Q22, F-test; , F-test; significado de las diferencias, t-test, Chi-cuadrado; eigen valores significado de las diferencias, t-test, Chi-cuadrado; eigen valores y vectoresy vectores Las pruebas estadísticas ayudan a caracterizar un grupo de Las pruebas estadísticas ayudan a caracterizar un grupo de
datos existente. NO permiten hacer predicciones de datos datos existente. NO permiten hacer predicciones de datos futuros. Para esto tenemos que volver a las futuros. Para esto tenemos que volver a las técnicas de técnicas de regresiónregresión… …
Estadísticas BásicasEstadísticas Básicas
RegresiónRegresiónToma un grupo de datos, cada uno descrito por un vector de Toma un grupo de datos, cada uno descrito por un vector de valores (y, xvalores (y, x11, x, x22, … x, … xnn))Encuentra la ecuación algebraica que "mejor exprese" la Encuentra la ecuación algebraica que "mejor exprese" la relación entre y y xrelación entre y y xii’s:’s:
Y =Y = bb11xx11 + b + b22xx22 + … + b + … + bnnxxnn + e + e
Requerimientos de Datos:Requerimientos de Datos: datos normalizados, errores datos normalizados, errores normalmente distribuidos con media cero y variables normalmente distribuidos con media cero y variables independientes no correlacionadas independientes no correlacionadas
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 1616
PIECENAMP
160
180
200
220
240
150 160 170 180 190 200 210 220 230 240
Y O
bse
rvad
a
Y Predicha
MODELO IDEALMODELO IDEAL
Figura 1
Tipos de Tipos de MVAMVA1.1. Análisis de Componente Principal (Principal Análisis de Componente Principal (Principal
Component Analysis, PCA)Component Analysis, PCA)Solamente X’sSolamente X’sEn PCA, estamos maximizando la En PCA, estamos maximizando la varianzavarianza que es que es explicada por el modelo explicada por el modelo
2.2. Proyección a Estructuras Latentes (Projection to Proyección a Estructuras Latentes (Projection to
Latent Structures, PLS)Latent Structures, PLS)También conocido como “Mínimos Cuadrados También conocido como “Mínimos Cuadrados Parciales”Parciales”X’s y Y’sX’s y Y’sEn PLS, estamos maximizando la En PLS, estamos maximizando la covarianzacovarianza
X Y
X
Tipos de salidas de MVATipos de salidas de MVA
Q1Q1 Q2Q2
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Los software de MVA generan dos tipos de salidas: resultados, Los software de MVA generan dos tipos de salidas: resultados, y diagnósticos.y diagnósticos. Resultados: Gráficas de resultados, Gráficas Resultados: Gráficas de resultados, Gráficas de Entradasde Entradas Diagnósticos: Gráfica de Residuos, ObservadoDiagnósticos: Gráfica de Residuos, Observado vs Predicho, y muchas mas vs Predicho, y muchas mas
Módulo 8 – Introducción a la Integración de Procesos 1717
PIECENAMP
Considere estos peces. Considere estos peces. Podemos medir, para cada Podemos medir, para cada uno, su longitud y ancho.uno, su longitud y ancho.
Suponga que 50 peces fueron Suponga que 50 peces fueron medidos, una gráfica como la medidos, una gráfica como la mostrada en la figura 2 puede ser mostrada en la figura 2 puede ser obtenida. Existe una relación obvia obtenida. Existe una relación obvia entre la longitud y el ancho pues entre la longitud y el ancho pues peces más largos tienden a ser más peces más largos tienden a ser más anchos. anchos. Referencia: Manchester Metropolitan University
Análisis de Componente Principal Análisis de Componente Principal (PCA)(PCA)
Figura 2
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 1818
PIECENAMP
Mueva los ejes de manera que sus orígenes estén ahora centrados en la 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 nube de puntos: este es un cambio en la escala de medición. En este caso las medias relevantes fueron restadas de cada valor. medias relevantes fueron restadas de cada valor.
En efecto, el eje principal es una nueva variable, el tamaño. De forma simple, En efecto, el eje principal es una nueva variable, el tamaño. De forma simple, tamaño = longitud + anchotamaño = longitud + ancho combinación lineal de dos variables existentes de igual importancia combinación lineal de dos variables existentes de igual importancia
Suponga que consideramos que la longitud es más importante que el ancho en 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 la determinación del tamaño. En este caso podemos usar pesos o coeficientes para introducir contribuciones diferenciales: para introducir contribuciones diferenciales: tamaño = 0.75 x longitud + 0.25 tamaño = 0.75 x longitud + 0.25 x anchox ancho Por conveniencia, normalmente realizaríamos la gráfica con el eje X horizontal, Por conveniencia, normalmente realizaríamos la gráfica con el eje X horizontal,
esto daría la apariencia de rotar los puntos más que los ejes. esto daría la apariencia de rotar los puntos más que los ejes.
Figura 3
Figura 5
Figura 4
Reference: Manchester Metropolitan University
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 1919
PIECENAMP
Un criterio para el segundo eje es que debe explicar tanto de la Un criterio para el segundo eje es que debe explicar tanto de la variación restante como sea posible. Sin embargo, éste no debe estar variación restante como sea posible. Sin embargo, éste no debe estar correlacionado (ortogonal) con el primero. correlacionado (ortogonal) con el primero.
En este ejemplo las longitudes y orientaciones de los ejes están En este ejemplo las longitudes y orientaciones de los ejes están dadas por eigen valores y eigen vectores de la matriz de correlación. dadas por eigen valores y eigen vectores de la matriz de correlación. Si retenemos solo la variable de "tamaño" mantendríamos 1.75/2.00 Si retenemos solo la variable de "tamaño" mantendríamos 1.75/2.00 x 100 (87.5%) de la variación original. Entonces, si descartamos el x 100 (87.5%) de la variación original. Entonces, si descartamos el segundo eje solo perdemos 12.5% de la información original. segundo eje solo perdemos 12.5% de la información original.
Figura 6 Figura 7
Reference: Manchester Metropolitan University
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 2020
PIECENAMP
Proyección a Estructuras Latentes Proyección a Estructuras Latentes (Projection to Latent Structures, (Projection to Latent Structures, PLS)PLS) La PLS encuentra un grupo de componentes ortogonales La PLS encuentra un grupo de componentes ortogonales
que: que: Maximizan el nivel de entendimiento de ambos, X y YMaximizan el nivel de entendimiento de ambos, X y YProveen una ecuación predictiva para Y en términos de Proveen una ecuación predictiva para Y en términos de X'sX's
Esto es llevado a cabo por:Esto es llevado a cabo por:Ajustar un grupo de componentes a X (como en PCA)Ajustar un grupo de componentes a X (como en PCA)De manera similar, ajustar un grupo de componentes a YDe manera similar, ajustar un grupo de componentes a YReconciliar los dos grupos de componentes para Reconciliar los dos grupos de componentes para maximizar el entendimiento de X y Ymaximizar el entendimiento de X y Y
La interpretación de los resultados de PLS tiene todas las La interpretación de los resultados de PLS tiene todas las dificultades de PCA, además de una extra: tener sentido dificultades de PCA, además de una extra: tener sentido de los componentes individuales en espacio X y Y. En de los componentes individuales en espacio X y Y. En otras palabras, para que los resultados tengan sentido, otras palabras, para que los resultados tengan sentido, el primer componente en X debe estar relacionado de el primer componente en X debe estar relacionado de alguna manera al primer componente en Y alguna manera al primer componente en Y
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 2121
PIECENAMP
Veamos una planta típica de pulpa termomecánica integrada Veamos una planta típica de pulpa termomecánica integrada (Thermomechanical Pulp, TMP) de papel periódico en América del Norte. La (Thermomechanical Pulp, TMP) de papel periódico en América del Norte. La planta. El administrador de esa planta en particular reconoce que hay 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 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 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 derivar tanta información como sea posible del grupo de datos y tratar de determinar las variables más importantes que pueden tener un impacto en determinar las variables más importantes que pueden tener un impacto en la calidad del papel para poder clasificar la calidad del producto final. El la calidad del papel para poder clasificar la calidad del producto final. El administrador de la planta decide examinar primero la porción de refinación administrador de la planta decide examinar primero la porción de refinación del proceso de fabricación de pulpa. del proceso de fabricación de pulpa.
Enunciado del ProblemaEnunciado del Problema
Figura 8
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2222
PIECENAMP
Variables X y Y Variables X y Y
Variables Y Variables Y Calidad de los Calidad de los
datos de la pulpa datos de la pulpa después de la urna después de la urna de latencia de latencia (automatizado, (automatizado, análisis on-line de análisis on-line de muestras): muestras): parámetros parámetros estándar de estándar de industrias industrias incluyendo incluyendo distribución de la distribución de la longitud de la fibra, longitud de la fibra, freeness, freeness, consistencia y consistencia y brillantez brillantez
Variables X Variables X Astillas que se reciben: Astillas que se reciben:
distribución de tamaño, distribución de tamaño, densidad del bulk, densidad del bulk, humedadhumedad Datos de operación del Datos de operación del
refinador: rendimiento; refinador: rendimiento; energía de separación entre energía de separación entre el refinador primario y el refinador primario y secundario; velocidades de secundario; velocidades de dilución; niveles, presiones dilución; niveles, presiones y temperaturas en varias y temperaturas en varias unidades inmediatamente unidades inmediatamente conectadas a los conectadas a los refinadores; voltaje en el refinadores; voltaje en el tornillo sin fin de astillas; tornillo sin fin de astillas; temperatura del cuerpo del temperatura del cuerpo del refinadorrefinador Estación, representada Estación, representada
por la temperatura por la temperatura promedio medida en la promedio medida en la estación meteorológica estación meteorológica más cercana más cercana
Y
X’s
Figura 9
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2323
PIECENAMP
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis 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.
0.00
0.20
0.40
0.60
0.80
1.00
Com
p[1]
Com
p[2]
Com
p[3]
Comp No.
Versión 32-meses 2-M2 (PCA-X), Desviaciones extremasremovidas
R2X(cum)Q2(cum)
Figura 10
2002
ResultadResultadosos
34-meses de 1 día rev. 2 (incl. Datos de astillas) no. 2.M4 (PCA-X), Residuos removidost[1]/t[2]/t[3]Coloreados de acuerdo a las clases en M4
No ClaseClase 1Clase 2Clase 3Clase 4
Otoño Invierno Primavera Verano
Otoño Invierno Primavera Verano
2000
2001Figura 11
Módulo 8 – Introducción a la Integración de Procesos 2424
PIECENAMP
Otoño Invierno Primavera Verano
Otoño Invierno Primavera Verano
-5
0
5
-10 0 10 20
t[2]
t[1]
34-months of 1 day rev. 2 (incl. chip data) no. 2.M4 (PCA-X), Untitledt[1]/t[2]Colored according to classes in M4
No ClassClass 1Class 2Class 3Class 4
Figura 12
La variación en esta La variación en esta dirección parece dirección parece
ocurrir ENTRE ocurrir ENTRE estaciones estaciones ( ( Componente 2) Componente 2)
La variación en esta La variación en esta dirección parece dirección parece
ocurrir ENTRE ocurrir ENTRE estaciones estaciones ( ( Componente 2) Componente 2)
La variación en esta La variación en esta dirección parece dirección parece
ocurrir DENTRO de ocurrir DENTRO de una estación dadauna estación dada(( Componente 1) Componente 1)
La variación en esta La variación en esta dirección parece dirección parece
ocurrir DENTRO de ocurrir DENTRO de una estación dadauna estación dada(( Componente 1) Componente 1)
Interpretación de resultados – Gráfica de Interpretación de resultados – Gráfica de resultadosresultados
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2525
PIECENAMP
Interpretación de resultados – Gráfica de Interpretación de resultados – Gráfica de entradasentradas
-0.20
-0.10
0.00
0.10
0.20
-0.20 -0.10 0.00 0.10
p[2
]
p[1]
34-months of 1 day rev. 2 (incl. chip data) no. 2.M4 (PCA-X), Bad residuals removedp[1]/p[2]
X
SEASON
33LI214.AI52FFC117.PV52FFC166.PV
52FIC104.PV52FIC115.PV
52FIC116.PV 52FIC154.PV
52FIC164.PV
52FIC165.PV
52FIC167.PV
52FIC177.PV
52HIC812.PV
52IIC128.PV
52IIC178.PV
52JCC139.PV
52JI189.AI
52JIC139.AI
52LIC106.PV
52PCA111.PV52PCA161.PV
52PCB111.PV
52PCB161.PV
52PIC105.PV52PIC159.PV
52PIC705.PV52PIC961.PV
52SIC110.PV
52SQI110.AI
52TI011.AI52TI031.AI
52TI118.AI52TI168.AI
52TIC010.CO52TIC793.PV
52XAI130.AI52XIC130.AI52XIC180.AI52XPI130.AI
52XQI195.AI
52ZIC147.PV
52ZIC148.PV52ZIC197.PV
52ZIC198.PV
53AI034.AI
53AI054.AI
53FFC455.PV
53FI012.AI
53HIC762.PV
53LIC011.PV
53LIC301.PV
53NI716.AI53NIC013.PV
53PIC210.PV
53PIC305.PV
53PIC308.PV
53PIC309.PV
53WI012.AI
Pex_L1_Blan
Pex_L1_Cons
Pex_L1_CSF
Pex_L1_LMF
Pex_L1_P200
Pex_L1_PFCPex_L1_PFLPex_L1_PFM
Pex_L1_R100
Pex_L1_R14
Pex_L1_R28Pex_L1_R48
53LIC510.PV
52FR960.AI52FRA703.AI
52KQC139.AI52KQC189.AI
52PI128.AI52PI178.AI
52PI706.AI
52PIA143.AI
52PIA193.AI
52PIB143.AI
52PIB193.AI
52PIP143.AI
52PIP193.AI
52SI055.AI52SIA110.AI52TIC102.PV
52TIC711.PV
52TR964.AI52XIC811.PV
52X_130.AI_split_L1.
52ZI144.AI
52ZI194.AI
53AIC453.PV
53LR405.AI53LV301.AI
53NIC100.PV811FI102.AI
811FI104.AI85FQ101.AI
85LCB320.AI
85LCS320.AI
CopDENS
CopSICC
Cop>9/8
Cop>7/8
Cop>5/8
Cop>3/8Cop>3/16
Cop<3/16
CopECORCopCARCopECLA
Rendimiento de la pulpaRendimiento de la pulpaEnergía de RefinaciónEnergía de RefinaciónFlujos de DisoluciónFlujos de DisoluciónGeneración de vaporGeneración de vapor
Rendimiento de la pulpaRendimiento de la pulpaEnergía de RefinaciónEnergía de RefinaciónFlujos de DisoluciónFlujos de DisoluciónGeneración de vaporGeneración de vapor
Brillo de la PulpaBrillo de la PulpaEstaciónEstación
Brillo de la PulpaBrillo de la PulpaEstaciónEstación
Consumo de blanqueadorConsumo de blanqueadorConsumo de blanqueadorConsumo de blanqueador
Figura 13
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2626
PIECENAMP
Interpretación de los resultadosInterpretación de los resultadosPrimer componentePrimer componente
El primer componente corresponde al rendimiento: muchas variables de El primer componente corresponde al rendimiento: muchas variables de proceso están relacionadas ya sea directa o indirectamente con el proceso están relacionadas ya sea directa o indirectamente con el rendimiento. ¿Recuerda que dijimos que el primer componente era algo que rendimiento. ¿Recuerda que dijimos que el primer componente era algo que variaba dentro de una estación individual? variaba dentro de una estación individual?
Segundo ComponenteSegundo ComponenteEl 2o. componente El 2o. componente explica solo el 7% explica solo el 7% de la variabilidad total. Es, por lo tanto, de la variabilidad total. Es, por lo tanto, "más confuso" que el primer componente, y será menos fácil de interpretar. "más confuso" que el primer componente, y será menos fácil de interpretar. También es posible notar que los También es posible notar que los tres años fueron separadostres años fueron separados con respecto a con respecto a este segundo componente este segundo componente Una pista importante se encuentra en la prominencia de dos etiquetas Una pista importante se encuentra en la prominencia de dos etiquetas importantes relacionadas: consumo de blanqueador y brillo de la pulpa. Esto 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 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 año con año, requiriendo más blanqueador para obtener un mínimo de pulpa blanca blanca Note también que la "estación" es prominente. Esto puede ser visto con la 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 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 veranoque las astillas de invierno son menos brillantes que las astillas de verano
Tercer ComponenteTercer ComponenteEl 3El 3erer Componente explica solo el 6% de la variabilidad total Componente explica solo el 6% de la variabilidad totalEl 3El 3erer componente está relacionado a la época del año. Una interpretación componente está relacionado a la época del año. Una interpretación razonable sería que las astillas de verano difieren de las astillas de invierno 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 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 segundo componente. Esto podría ser, por ejemplo, la facilidad con la que las fibras de madera pueden ser separadas entre sí fibras de madera pueden ser separadas entre sí
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2727
PIECENAMP
Al usar PCA, hemos determinado que 45% de la variabilidad en las Al usar PCA, hemos determinado que 45% de la variabilidad en las 130 variables originales puede ser representada usando solo 3 130 variables originales puede ser representada usando solo 3 variables nuevas o "componentes". Estos tres componentes son variables nuevas o "componentes". Estos tres componentes son ortogonales, lo que significa que la variación dentro de cada uno ortogonales, lo que significa que la variación dentro de cada uno ocurre independientemente de las otros. En otras palabras, los ocurre independientemente de las otros. En otras palabras, los nuevos componentes no están correlacionados entre sí. nuevos componentes no están correlacionados entre sí.
REFINER REFINER THROUGHPUTTHROUGHPUT Componente 1Componente 1
Explica 32%Explica 32%Componente 2Componente 2Explica 7%Explica 7%
Componente 3Componente 3Explica 6%Explica 6%
BRILLOBRILLO
VER
AN
O
VER
AN
O
/IN
VIE
RN
O/I
NV
IER
NO
Resumen de los resultados de PCAResumen de los resultados de PCA
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2828
PIECENAMP
““Mapa de referencia” de CalidadMapa de referencia” de Calidad
XX
X
Figura 14
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2929
PIECENAMP
Tier II ResumenTier II Resumen
2.1 Ejemplo resuelto 1: Modelamiento impulsado 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariablepor datos – Análisis Multivariable
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
2.3 Ejemplo resuelto 3: Diseño y Control 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Integrado de Procesos – Análisis de ControlabilidadControlabilidad
2.1 Ejemplo resuelto 1: Modelamiento impulsado 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariablepor datos – Análisis Multivariable
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
2.3 Ejemplo resuelto 3: Diseño y Control 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Integrado de Procesos – Análisis de ControlabilidadControlabilidad
Módulo 8 – Introducción a la Integración de Procesos 3030
PIECENAMP
2.2 Ejemplo resuelto 2 : Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3131
PIECENAMP
PROCESOPROCESO
ServiciServicioo
FRÍOFRÍO
ServiciServicio o
CALIENTCALIENTEE
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Recordatorio
Uso de Uso de serviciosservicios
IntercambiIntercambios Internosos Internos
El costo de El costo de servicios servicios
disminuyedisminuye
Los costos Los costos relacionados al relacionados al
área de área de intercambio intercambio aumentanaumentan
De 100% de servicios…De 100% de servicios…... a 100% de intercambios ... a 100% de intercambios internosinternos
$$
Trade-offTrade-offTrade-offTrade-off
¿Qué es el Análisis Pinch Térmico?¿Qué es el Análisis Pinch Térmico?
Módulo 8 – Introducción a la Integración de Procesos 3232
PIECENAMP
Ejemplo: Boiler de Ejemplo: Boiler de RecuperaciónRecuperación
Solución obvia: Solución obvia: precalentar el agua precalentar el agua fresca entrante con el fresca entrante con el condensado caliente condensado caliente que abandona el boilerque abandona el boiler
Figura 15
Al menos 40 corrientes para calentar y
enfriar…
¿Que hay de un sitio completo ?2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3333
PIECENAMP
SimulaciónSimulación
ExtracciónExtracción
PlantaPlanta
OrientaciónOrientación
Diseño de una Red de Diseño de una Red de Intercambio de CalorIntercambio de Calor
Extracción de Extracción de datos (corrientes datos (corrientes frías y calientes) frías y calientes)
con objetivos con objetivos específicos de específicos de
ahorro de energía ahorro de energía en menteen mente
Orientación del Orientación del Análisis, i.e. Análisis, i.e.
energía, energía, objetivos de objetivos de
diseño y diseño y económicoseconómicosUso de heurísticas Uso de heurísticas
para diseñar una para diseñar una Red de Intercambio Red de Intercambio
de Calor que de Calor que cumplirá con los cumplirá con los
objetivos de objetivos de energía a menor energía a menor
costo costo Transferencia de Transferencia de
los resultados los resultados obtenidos a la obtenidos a la
planta realplanta real
TminTmin
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3434
PIECENAMP
Curva
fría
Curva
fría
com
puesta
com
puesta
Curv
a ca
lient
e
Curv
a ca
lient
e
com
pues
ta
com
pues
taTminTmin
Requerimientos de Requerimientos de calentamientocalentamiento
Requerimientos de enfriamientoRequerimientos de enfriamiento
PuntoPuntoPinchPinch
Curvas CompuestasCurvas Compuestas
TemperaturaTemperatura
EntalpíaEntalpía
Figura 16
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3535
PIECENAMP
Integración de Masa – Curvas Compuestas para Integración de Masa – Curvas Compuestas para prevención de la contaminaciónprevención de la contaminación
Figura 17
Figura 18
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3636
PIECENAMP
Enunciado del ProblemaEnunciado del ProblemaUn ingeniero de proceso en una firma de consultoría es contratado Un ingeniero de proceso en una firma de consultoría es contratado por una refinería de petróleo para diseñar la sección de Unidades por una refinería de petróleo para diseñar la sección de Unidades Convencionales de Fraccionamiento Atmosférico de Crudo en las Convencionales de Fraccionamiento Atmosférico de Crudo en las instalaciones de la refinería, como se muestra en la figura 17. El instalaciones de la refinería, como se muestra en la figura 17. El principal objetivo de este proyecto es minimizar el consumo de principal objetivo de este proyecto es minimizar el consumo de energía usando el Análisis Pinch Térmico. La planta está usando energía usando el Análisis Pinch Térmico. La planta está usando actualmente 75000 kW en servicios de calentamiento. En este actualmente 75000 kW en servicios de calentamiento. En este ejemplo, el énfasis será puesto en la construcción de las curvas ejemplo, el énfasis será puesto en la construcción de las curvas compuestas con el objetivo de identificar oportunidades de ahorro compuestas con el objetivo de identificar oportunidades de ahorro de energía. de energía.
Desalter
Torre de crudo
-PA
Keroseno
L-gasoil
H-gasoil
ATB
Crudo E1
E2E3
E4
E5 E6
E71 2
5
6
7 8
92
10
11
13 14
15 16
BPA12
Horno
Nafta -PA
L-gasoil
H-gasoil
ATB
E1
E2E3
E4
E5 E6
E71 2 3 4
5
6
7 8
9 10
11
13 14
15 16
BPA12
Figura 19
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3737
PIECENAMP
3-5ºCProcesos a Baja temperatura
10-20ºCQuímico
10-20ºCPetroquímico
30-40ºCRef. de petróleo
minSector Industrial
Table 2
DesalterDesalter
Torre de Torre de crudocrudo
Nafta-PANafta-PA
KerosenoKeroseno
L-gasoilL-gasoil
H-gasoilH-gasoil
ATBATB
CrudoCrudo
20º20º
BPABPA
150º150º 150º150º 390º390º
150º150º
100º100º
180º180º 30º30º
40º40º
30º30º
50º50º
270º270º
290º290º
190º190º
350º350º
380º380º
11 22
33
66
44
55
88
77Tren de Tren de precalentamiento de precalentamiento de crudo crudo
º ºC Condiciónº ºC Condición No. de corrienteNo. de corriente
Figura 20
Número y Cap. Vel. de Vel. de Temperatura Temperatura Stream Coeficiente* FoulingTipo de calorífica flujo Flujo de cap.de suministro objetivo Heat de transf.
Corriente de masa calorífica duty de calor
De proceso (J/kgK) (kg/s) (kW/K) (ºC) (ºC) (kW) (W/m2 K) (m2ºC/W)
(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
Tabla 1
Extracción de Extracción de DatosDatos
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3838
PIECENAMP
Tabla 3
1. Clasificar en orden ascendente las temperaturas de las 1. Clasificar en orden ascendente las temperaturas de las corrientes calientes, omitiendo las temperaturas comunes corrientes calientes, omitiendo las temperaturas comunes
Usando los datos de arriba, formamos intervalos de Usando los datos de arriba, formamos intervalos de temperatura para el proceso temperatura para el proceso
T1T1
T2T2
T3T3
T4T4
IntervaloIntervalo
11
22
33
Las temperaturas son clasificadas en orden
ascendente, omitiendo temperaturas comunes
TT
HHFigura 21
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico - Curvas compuestas
Módulo 8 – Introducción a la Integración de Procesos 3939
PIECENAMP
Tabla 4
stream interval,
jiCPCP
streamj
streamji
2. Sumar el CP de cada corriente presente en cada intervalo de 2. Sumar el CP de cada corriente presente en cada intervalo de temperatura temperatura
6.938.338.59741 HH CPCPCP
Entonces obtenemos el CP compuesto para cada intervalo de temperaturaEntonces obtenemos el CP compuesto para cada intervalo de temperatura
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4040
PIECENAMP
Tabla 5
)(* 1 iiii TTCPQ
3. Calcular la entalpía neta para cada intervalo de temperatura3. Calcular la entalpía neta para cada intervalo de temperatura
kWTTCPQ 936)303313(*6.93)(* 0111
Obtenemos la entalpía para cada intervalo de Obtenemos la entalpía para cada intervalo de temperatura, como se muestra en la columna Qtemperatura, como se muestra en la columna Q int,hint,h
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4141
PIECENAMP
Tabla 6
4. Obtener la entalpía acumulada para cada intervalo de 4. Obtener la entalpía acumulada para cada intervalo de temperaturatemperatura
iii QSumQSumQ 1
9369360101 QSumQSumQ
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4242
PIECENAMP
303313323
373
423453463
543563
623653
Curva caliente compuesta
300
400
500
600
700
0 50000 100000 150000 200000H (kW)
T (
K)
Figura 22
5. Graficar la temperatura en el eje Y contra la entalpía acumulada 5. Graficar la temperatura en el eje Y contra la entalpía acumulada en el eje Xen el eje X
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4343
PIECENAMP
Curva Fría Compuesta
250
300
350
400
450
500
550
600
650
700
0 50000 100000 150000 200000 250000
H (kW)
T(K
)
Figura 23
293
423
663
La construcción de la Curva Fría Compuesta es similar a la de la La construcción de la Curva Fría Compuesta es similar a la de la Curva Calienta Compuesta. Curva Calienta Compuesta. Tabla 7
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4444
PIECENAMP
Curva fría compuesta
Curva caliente compuesta
Esta representación reduce el proceso entero en una corriente combinada Esta representación reduce el proceso entero en una corriente combinada caliente y fríacaliente y fría La recuperación de calor entre las curvas compuestas puede ser incrementada La recuperación de calor entre las curvas compuestas puede ser incrementada
hasta alcanzar Dtmin. Las curvas compuestas, como las corrientes individuales, hasta alcanzar Dtmin. Las curvas compuestas, como las corrientes individuales, pueden ser desplazadas horizontalmente en el diagrama T-H sin causar cambios pueden ser desplazadas horizontalmente en el diagrama T-H sin causar cambios en el proceso porque H es una función de estadoen el proceso porque H es una función de estado Esto establece los requerimientos mínimos de servicios calientes (QHmin) y fríos Esto establece los requerimientos mínimos de servicios calientes (QHmin) y fríos
(QCmin) para el proceso entero y la recuperación máxima posible de calor (QCmin) para el proceso entero y la recuperación máxima posible de calor proceso-proceso proceso-proceso
Recuperación de calor interna QHmin
RequerimientRequerimiento de o de
enfriamiento enfriamiento mínimomínimo
QCminRequerimientRequerimient
o de o de calentamientcalentamient
o mínimoo mínimo
0
Aplicación de Curvas Compuestas
100
200
300
400
500
600
700
0 50000 100000 150000 200000 250000H (kW)
T (
K)
Figura 24
Tmin= 40K
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4545
PIECENAMP
Como se vio en las diapositivas previas, de la gráfica de Como se vio en las diapositivas previas, de la gráfica de temperatura-entalpía, podemos determinar tres piezas útiles temperatura-entalpía, podemos determinar tres piezas útiles de información: de información: Cantidad de posible recuperación de calor proceso-proceso Cantidad de posible recuperación de calor proceso-proceso
por área entre dos curvas compuestaspor área entre dos curvas compuestas Requerimiento de servicio de calentamiento u objetivo= Requerimiento de servicio de calentamiento u objetivo=
57668 kW57668 kW Requerimiento de servicio de enfriamiento u objetivo= Requerimiento de servicio de enfriamiento u objetivo=
30784 kW30784 kW
Resumen de resultadosResumen de resultados
Las curvas compuestas son excelentes herramientas para el Las curvas compuestas son excelentes herramientas para el aprendizaje de métodos y la comprensión de la situación aprendizaje de métodos y la comprensión de la situación energética general, pero el consumo mínimo de energía y la energética general, pero el consumo mínimo de energía y la recuperación Pinch de calor son obtenidas más recuperación Pinch de calor son obtenidas más frecuentemente por frecuentemente por procedimientos numéricosprocedimientos numéricos. Este . Este método es llamado el método es llamado el Algoritmo de Problema de Tabla Algoritmo de Problema de Tabla (Problem Table Algorithm)(Problem Table Algorithm). Típicamente, está basado en . Típicamente, está basado en nociones de Cascada de Calor. nociones de Cascada de Calor.
Q5Q5 Q6Q6
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 4646
PIECENAMP
Tier II ResumenTier II Resumen
2.1 Ejemplo resuelto 1: Modelamiento impulsado 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariablepor datos – Análisis Multivariable
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
2.3 Ejemplo resuelto 3: Diseño y Control 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Integrado de Procesos – Análisis de ControlabilidadControlabilidad
2.1 Ejemplo resuelto 1: Modelamiento impulsado 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos – Análisis Multivariablepor datos – Análisis Multivariable
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
2.3 Ejemplo resuelto 3: Diseño y Control 2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Integrado de Procesos – Análisis de ControlabilidadControlabilidad
Módulo 8 – Introducción a la Integración de Procesos 4747
PIECENAMP
2.3 Ejemplo resuelto 3: : Control Integrado de Control Integrado de Procesos - Análisis de Procesos - Análisis de
ControlabilidadControlabilidad
Módulo 8 – Introducción a la Integración de Procesos 4848
PIECENAMP
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad – Recordatorio
Fundamentos
ProcesoProceso
sensorsensor
Variables Variables De entradaDe entrada
Variables de Variables de salidasalida
(controladas y (controladas y medidas)medidas)
Variables de Variables de entradaentrada(manipuladas)(manipuladas)
PerturbacionesPerturbaciones
IncertidumbresIncertidumbres
Interacciones InternasInteracciones Internas
ELASTICIDAD DEL PROCESOELASTICIDAD DEL PROCESO
FLEXIBILIDAD DEL PROCESOFLEXIBILIDAD DEL PROCESO
Secuencia de ControlSecuencia de Control
Figura 25
Módulo 8 – Introducción a la Integración de Procesos 4949
PIECENAMP
CCCC FCFC
C, FC, F
Agua: F1,C1Agua: F1,C1
Pulpa: F2,C2Pulpa: F2,C2
SALIDASSALIDAS(selección por (selección por Análisis de Análisis de Controlabilidad)Controlabilidad)
ENTRADASENTRADAS(variables o (variables o perturbaciones perturbaciones manipuladas)manipuladas)
EFECTOSEFECTOS
Figura 26
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5050
PIECENAMP
FF1111
FF2121
FF1212
FF2222
uu11
uu2 2
yy11
yy22
++
++
++++
yy11
yy22
CC11
CC22
yy1sp1sp
yy2sp2sp
++
++ __
__
Figura 27
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5151
PIECENAMP
FF1111
FF2121
FF1212
FF2222
uu11
uu2 2
yy11
yy22
++++
++++
uu11ssss
)y- gain, (OL , 11111
1 uKuy
EfectoEfectoPrincipal:Principal:
Figura 28
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5252
PIECENAMP
Experimento 2Experimento 2: Paso de cambio en u1 con todas las : Paso de cambio en u1 con todas las secuencias cerradassecuencias cerradas
F11
F21
F12
F22
u1
u2
y1
y2
+
+
++C2
e2y2sp
+ _
u1 ss
1r1111 y OLCL KKEfecto Total:Efecto Total:Efecto InteractivoEfecto Interactivo
Efecto PrincipalEfecto PrincipalFigura 29
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5353
PIECENAMP
CLK11OLK11 1ry
Efecto Principal (1Efecto Principal (1erer Experimento) Experimento)OLK1111 CLK11
Efecto total (2Efecto total (2do do
Experimento)Experimento)
Ganancia Relativa y Arreglo de Ganancia Ganancia Relativa y Arreglo de Ganancia Relativa (Relative Gain Array, RGA)Relativa (Relative Gain Array, RGA)
1111 : medida de la : medida de la extensión de la extensión de la
interacción en estado interacción en estado estableestable al usar u al usar u11 para para controlar ycontrolar y11, , mientrasmientras
se usa use usa u22 para para controlar ycontrolar y22
2221
1211
11Ganancia RelativaGanancia Relativa
yy11 uu11
CL
OL
j
i
j
i
ij
u
y
u
y
ijArreglo de GananciaArreglo de Ganancia
RelativaRelativayyii uujj
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5454
PIECENAMP
Selección de secuencias usando RGA – Selección de secuencias usando RGA – Como Como seleccionar la configuración con mínima interacción seleccionar la configuración con mínima interacción
yyii : Variable : Variable ControladaControladauujj : Variable : Variable ManipuladaManipulada
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
1ij
0ij
10 ij
1ij
0ij
ImplicaciónImplicación RecomendaciónRecomendación
Secuencia Secuencia ii no sujeta a la acción no sujeta a la acción interactiva de otras curvasinteractiva de otras curvas ji uy :Emparejar
uujj no tiene influencia directa en no tiene influencia directa en yyii ji uy :emparejar No
- - Las secuencias están interactuandoLas secuencias están interactuando- debajo de 0.5, efecto interactivo > efecto - debajo de 0.5, efecto interactivo > efecto principalprincipal ji uy :Evitar
- - Las secuencias están interactuandoLas secuencias están interactuando- el efecto interactivo actúan en oposición - el efecto interactivo actúan en oposición al efecto principalal efecto principal ji uy : altos aEvitar ij
- - Las secuencias están interactuandoLas secuencias están interactuando- el efecto interactivo no solo actúa en - el efecto interactivo no solo actúa en oposición al efecto principal, sino que oposición al efecto principal, sino que también es más dominante también es más dominante
Tabla 8
ji uy :emparejar No
Módulo 8 – Introducción a la Integración de Procesos 5555
PIECENAMP
NiederlinskiNiederlinski (NI) (NI) : índice de estabilidad del : índice de estabilidad del sistemasistemaNúmero de Condición (Condition Number,Número de Condición (Condition Number, CN)CN) y y Número de Condición de Perturbación Número de Condición de Perturbación (Disturbance Condition Number, DCN) (Disturbance Condition Number, DCN) : : medición de la sensibilidadmedición de la sensibilidadGanancia Relativa de Perturbación (Relative Ganancia Relativa de Perturbación (Relative Disturbance Gain, RDG)Disturbance Gain, RDG) : índice que da una : índice que da una idea de la influencia de las interacciones idea de la influencia de las interacciones internas en el efecto de las perturbaciones internas en el efecto de las perturbaciones Otros: Valor singular de Descomposición Otros: Valor singular de Descomposición (Singular Value Decomposition,(Singular Value Decomposition, SVD)SVD)
Otros Índices de ControlabilidadOtros Índices de Controlabilidad
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5656
PIECENAMP
Enunciado del ProblemaEnunciado del Problema
S
S
32 31
24
23
22
21
20
16
15
14
1312
11
10 6
5
CUVP AT ECUVP AT E 1
4
3
2
1
2.94705 %
2264.4 lt/min
13924 lt/min1.00382 %
6261
0 lt/
min
1.92
733
%
13287.5 lt/min2.79214 %
1195
8.7
lt/m
in
2.96551 %
1114
4.5
lt/m
in
3.51
707
%
595.592 lt/min
3.02375 %
48686 lt/min2.19041 % 2.03148 %
4749
4 lt/
min
1.81
%
3.78
427
%
5961
.63
lt/m
in 0.4
%15
786
lt/m
in
3157.18 lt/min
12628.8 lt/min
814.
218
lt/m
in
249.
355
lt/m
in
11814.6 lt/min11565.2 lt/min
495.
588
lt/m
in
1106
9.6
lt/m
in47
69.6
lt/m
in
100 lt/min
10299.6 lt/min2.99513 %
6300 lt/min
4000 lt/min
Base Case: TMP Newsprint MillSteady State Simulation
401.885 l/min18 %
Wet web
Fresh water
Fresh Pulp (7 %)
Broke (18 %)
WWTank
Machine Chest
MixingChest
BrokeTank
PulpTank
F5F5
F8F8
F7F7
F2F2
F6F6
F3F3
F4F4
F1F1
Figura 30
En este caso de estudio, se le pide a un ingeniero de control de En este caso de estudio, se le pide a un ingeniero de control de proceso crear un modelo del proceso de termomecánico de proceso crear un modelo del proceso de termomecánico de fabricación de pulpa para encontrar la mejor selección de control de fabricación de pulpa para encontrar la mejor selección de control de proceso y emparejamiento de variables para una planta que no ha proceso y emparejamiento de variables para una planta que no ha sido construida aún. Considere la configuración simplificada de una sido construida aún. Considere la configuración simplificada de una máquina de papel periódico mostrada en la figura 30.máquina de papel periódico mostrada en la figura 30. Las técnicas de Las técnicas de emparejamiento de variables y los índices de controlabilidad serán emparejamiento de variables y los índices de controlabilidad serán aplicados. aplicados.
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5757
PIECENAMP
Tabla 9
controladocontrolado
manipuladomanipulado perturbacionesperturbaciones
INPUTSName ID stream Flow(lt/min) Cons. (%) Temp (°C) Fines (%) TDS (ppm) Flow(TN/d)Fresh Pulp 1 4000.0 7.0 67.0 20.7 6049 5791.3Broke 3 100.0 18.0 54.0 29.0 4063 151.3Fresh water 63 2264.4 0.0 55.0 0.0 0 3214.1
OUTPUTSName ID stream Flow(lt/min) Cons. (%) Temp (°C) Fines (%) TDS (ppm) Flow(TN/d)Wet Web 62 401.9 18.00 61.5 30.06 4063 605.8Dilution 1 32 6300.0 0.40 61.5 98.80 3270 8937.2Dilution 2 6 495.6 0.40 61.5 98.80 3270 703.0Dilution 3 22 249.4 0.40 61.5 98.80 3270 353.7Dilution 4 16 814.2 0.40 61.5 98.80 3270 1155.1Dilution of Rejects Screen 41 4769.6 0.40 61.5 98.80 3270 6766.2Ww drained from forming zone 61 15786.0 0.40 61.5 98.80 3270 22394.1Ww Short Loop 40 3157.2 0.40 61.5 98.80 3270 4478.8Pulp to Headbox 34 13924.0 1.00 62.6 61.06 3826 19786.0Pulp to Screen 25 62610.0 1.93 62.6 10.07 3826 89243.4Diluted Broke entering Mixing Chest 30 595.6 3.52 60.3 35.53 3389 854.4Diluted Pulp entering Mixing Chest 33 10299.6 3.00 63.6 27.03 4317 14728.5Pulp leaving Mixing Chest 12 10895.2 3.02 63.4 27.57 4267 15582.9Pulp leaving Machine Chest 24 12473.3 2.95 63.4 27.85 4237 17835.7Rejects (Screening system) 52 5961.6 3.78 62.5 18.24 3776 8551.0Accepts (Hydrocyclone) 36 47493.9 1.81 62.5 1.61 3776 67672.6Pulp entering Machine Chest 23 11144.5 2.97 63.4 27.78 4244 15936.6Pulp entering Cuvier de pâte 43 13287.5 2.79 63.3 28.47 4176 18990.7Ww Long Loop 15 12628.8 0.40 61.5 98.80 3270 17915.2Ww Short Loop after accepts 46 50651.1 1.72 62.4 3.01 3744 72151.4Broke Ratio, % 5.5Retention, % 54.9
Stock Chest
Pfin = % Fines retained
Enunciado del ProblemaEnunciado del Problema
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5858
PIECENAMP
S
S
32 31
24
23
22
21
20
1 6
1 5
1 4
1 31 2
1 1
1 0 6
5
CUVP AT ECUVP AT E 1
4
3
2
1
2.94705 %
2264.4 lt/min
13924 lt/min1.00382 %
6261
0 lt/
min
1.92
733
%
13287.5 lt/min2.79214 %
1195
8.7
lt/m
in
2.96551 %11
144.
5 lt/
min
3.51
707
%
595.592 lt/min
3.02375 %
48686 lt/min2.19041 % 2.03148 %
4749
4 lt/
min
1.81
%
3.78
427
%
5961
.63
lt/m
in 0.4
%15
786
lt/m
in
3157.18 lt/min
12628.8 lt/min
814.
218
lt/m
in
249.
355
lt/m
in
11814.6 lt/min11565.2 lt/min
495.
588
lt/m
in
1106
9.6
lt/m
in47
69.6
lt/m
in
100 lt/min
10299.6 lt/min2.99513 %
6300 lt/min
4000 lt/min
Base Case: TMP Newsprint MillSteady State Simulation
401.885 l/min18 %
Wet web
Fresh water
Fresh Pulp (7 %)
Broke (18 %)
WWTank
Machine Chest
MixingChest
BrokeTank
PulpTank
BR
Ret
Pfin
CC
FinesFines
PerturbacionesPerturbaciones
ManipuladoManipulado
ControladoControlado
Figura 31
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5959
PIECENAMP
t
C
BR
C
C
C
C
Re34
43
23
30
33
020.4265.0608.0068.0042.0077.0114.0
025.0004.0049.0001.0001.0001.0002.0
000.0000.0340.3000.0000.0775.0065.0
030.0004.0036.0016.0010.0018.0027.0
029.0004.0036.0001.0011.0020.0029.0
038.0005.0024.0001.0001.0404.0002.0
028.0004.0018.0001.0001.0001.0031.0
finP
F
F
F
F
F
F
40
3
16
22
6
32
597.4075.0
079.0164.0
000.0000.0
060.0455.0
058.0483.0
076.0052.0
056.0518.0
1
1
f
C== ++
GGpp GGdd
Matrices de Ganancia del proceso y Controlabilidad en Estado Matrices de Ganancia del proceso y Controlabilidad en Estado Estable Estable
PerturbacionesPerturbaciones
t
C
BR
C
C
C
C
Re34
43
23
30
33
finPFFFFFF 4031622632
603.1615.0000.0001.0000.0001.0010.0608.0566.1006.0005.0001.0003.0039.0000.0000.0003.1000.0000.0013.0010.0
001.0058.0000.0941.0000.0000.0000.0000.0000.0000.0053.0947.0000.0001.0020.0047.0014.0000.0004.0009.1001.0016.0038.0011.0000.0047.0000.0942.0
RGARGA
ControladoControlado ManipuladoManipulado
==
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6060
PIECENAMP
S
S
32 31
24
23
22
21
20
1 6
1 5
1 4
1 31 2
1 1
1 0 6
5
CUVP AT ECUVP AT E 1
4
3
2
1
2.94705 %
2264.4 lt/min
13924 lt/min1.00382 %
6261
0 lt/
min
1.92
733
%
13287.5 lt/min2.79214 %
1195
8.7
lt/m
in
2.96551 %11
144.
5 lt/
min
3.51
707
%
595.592 lt/min
3.02375 %
48686 lt/min2.19041 % 2.03148 %
4749
4 lt/
min
1.81
%
3.78
427
%
5961
.63
lt/m
in 0.4
%15
786
lt/m
in
3157.18 lt/min
12628.8 lt/min
814.
218
lt/m
in
249.
355
lt/m
in
11814.6 lt/min11565.2 lt/min
495.
588
lt/m
in
1106
9.6
lt/m
in47
69.6
lt/m
in
100 lt/min
10299.6 lt/min2.99513 %
6300 lt/min
4000 lt/min
Base Case: TMP Newsprint MillSteady State Simulation
401.885 l/min18 %
Wet web
Fresh water
Fresh Pulp (7 %)
Broke (18 %)
WWTank
Machine Chest
MixingChest
BrokeTank
PulpTank
BR
Ret
Pfin
Figura 32
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6161
PIECENAMP
Índice Niederlinski (Niederlinski Index, NI) Índice Niederlinski (Niederlinski Index, NI) Consideraciones de estabilidadConsideraciones de estabilidad
NI < 0. El sistema será inestable bajo condiciones de NI < 0. El sistema será inestable bajo condiciones de secuencia cerradasecuencia cerradaNI > 0. El sistema es estabilizable (función de parámetros NI > 0. El sistema es estabilizable (función de parámetros de controlador)de controlador)
Número de Condición (Condition number, CN)Número de Condición (Condition number, CN) Sensibilidad Sensibilidad al modelo de incertidumbreal modelo de incertidumbre
CN CN ~<~< 2. No es probable que los efectos de 2. No es probable que los efectos de multivariables sean seriosmultivariables sean seriosCN CN ~>~> 10. El proceso es ILL-CONDITIONATED 10. El proceso es ILL-CONDITIONATED
CN=713CN=713
NI=0.73NI=0.73
Índices de Controlabilidad (1)Índices de Controlabilidad (1)
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6262
PIECENAMP
Número de Condición de Perturbación (Disturbance Número de Condición de Perturbación (Disturbance Condition Number, DCN) Condition Number, DCN) ¿la acción tomada por la variable ¿la acción tomada por la variable manipulada es grande o pequeña?manipulada es grande o pequeña?
11≤ DCN ≤ CN≤ DCN ≤ CN
Ganancia Relativa de Perturbación (Relative Disturbance Ganancia Relativa de Perturbación (Relative Disturbance Gain, RDG) Gain, RDG) ¿La interacción interna entre secuencias es ¿La interacción interna entre secuencias es favorable o desfavorable para rechazar las perturbaciones?favorable o desfavorable para rechazar las perturbaciones?
RDG ~<2 .RDG ~<2 . Las interacciones internas reducen el efecto Las interacciones internas reducen el efecto de la perturbación de la perturbación
El efecto de ambas perturbaciones, %C y %FINES en El efecto de ambas perturbaciones, %C y %FINES en PULPA FRESCA, es reducido por interacciones PULPA FRESCA, es reducido por interacciones
internas. internas. Todos los RDG’s son ~<2Todos los RDG’s son ~<2
Índices de Controlabilidad Índices de Controlabilidad (2)(2)
DCN por %CDCN por %Cpulpa frescapulpa fresca = 9.2 = 9.2DCN por %finesDCN por %finespulpa frescapulpa fresca = 4.6 = 4.6
Es más difícil rechazar un cambio repentino en la Es más difícil rechazar un cambio repentino en la consistencia de la pulpa fresca consistencia de la pulpa fresca
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6363
PIECENAMP
ConclusióConclusiónn
Configuración de la estructura de control: los Configuración de la estructura de control: los resultados de RGA confirmaron la resultados de RGA confirmaron la implementación actual en plantas de papel implementación actual en plantas de papel periódico periódico Las interacciones internas de la Las interacciones internas de la
configuración mencionada anteriormente configuración mencionada anteriormente reducen el efecto de las perturbaciones en reducen el efecto de las perturbaciones en variables de salidavariables de salida El proceso es "ill-conditioned". El modelo de El proceso es "ill-conditioned". El modelo de
incertidumbre puede ser amplificado en gran incertidumbre puede ser amplificado en gran medidamedida Índices de Elasticidad , DCN y RDG, pueden Índices de Elasticidad , DCN y RDG, pueden
ser usados para explicar el rechazo de la ser usados para explicar el rechazo de la perturbación en procesos de fabricación de perturbación en procesos de fabricación de papel periódico papel periódico
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos – Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6464
PIECENAMP
Este es el fin del Tier II. Hasta este punto, asumimos que has realizado toda la lectura. Ahora debes tener una buena idea de lo que es la Integración de Procesos, así como los conocimientos básicos con respecto al Análisis Multivariable, el Análisis Pinch Térmico y el Análisis de Controlabilidad. Para información adicional sobre las herramientas presentadas en el Tier II así como otras herramientas de Integración de Procesos presentadas en el Tier I, por favor consulte las diapositivas de referencias en los Tiers I y II.
Antes de avanzar al Tier III, haremos un pequeño quiz de opción múltiple. Antes de avanzar al Tier III, haremos un pequeño quiz de opción múltiple.
Fin del Tier II
Módulo 8 – Introducción a la Integración de Procesos 6565
PIECENAMP
QUIZ
Módulo 8 – Introducción a la Integración de Procesos 6666
PIECENAMP
Pregunta 1Pregunta 1¿Para que se usa el Análisis de Componente Principal? ¿Para que se usa el Análisis de Componente Principal?
1.1. Entender las relaciones entre las variables de un sistemaEntender las relaciones entre las variables de un sistema
2.2. Identificar los componentes que tienen influencia en una o Identificar los componentes que tienen influencia en una o varias salidasvarias salidas
3.3. Predecir ciertas salidasPredecir ciertas salidas
4.4. Maximizar la covarianza de un grupo de variablesMaximizar la covarianza de un grupo de variables
2 y 32 y 3
1,2 y 31,2 y 3
11
1 y 21 y 2
1 y 31 y 3
33
Tier II - Quiz
Módulo 8 – Introducción a la Integración de Procesos 6767
PIECENAMP
Asocia cada resultado del Análisis Multivariable con el tipo de Asocia cada resultado del Análisis Multivariable con el tipo de información que éste provee al usuario.información que éste provee al usuario.
1. Gráfica de residuos1. Gráfica de residuos A. Muestra todos los puntos de A. Muestra todos los puntos de los datos los datos . originales en un nuevo grupo de originales en un nuevo grupo de , , coordinados o componentes coordinados o componentes
2. Gráfica de resultados2. Gráfica de resultados B. Muestra la distancia entre B. Muestra la distancia entre cada cada observación real en el observación real en el grupo inicial de grupo inicial de datos y el valor datos y el valor predicho basado en el predicho basado en el . modelomodelo
3. Observado vs. Predicho3. Observado vs. Predicho C. Muestra la precisión de la predicciónC. Muestra la precisión de la predicción
4. Gráfica de entradas4. Gráfica de entradas D. Muestra que tan fuertemente D. Muestra que tan fuertemente se asocia se asocia . . cada variable con cada nuevo componente cada variable con cada nuevo componente
11BB, 2, 2AA, 3, 3CC, , 44DD
11BB, 2, 2DD, 3, 3CC, , 44AA
11CC, 2, 2DD, 3, 3AA, , 44BB11AA, 2, 2DD, 3, 3BB, , 44CC
11DD, 2, 2BB, 3, 3AA, 4, 4CC
11BB, 2, 2CC, 3, 3DD, , 44AA
Tier II - QuizPregunta 2Pregunta 2
Módulo 8 – Introducción a la Integración de Procesos 6868
PIECENAMP
La longitud y orientación de los ejes obtenida con PCA está dada La longitud y orientación de los ejes obtenida con PCA está dada por los eigen valores y eigen vectores de la matriz de correlación. por los eigen valores y eigen vectores de la matriz de correlación. Digamos que las variables de longitud y ancho tienen un Digamos que las variables de longitud y ancho tienen un coeficiente de correlación menor al dado en el ejemplo de la coeficiente de correlación menor al dado en el ejemplo de la diapositiva 13 y que obtenemos los eigen valores mostrados en la diapositiva 13 y que obtenemos los eigen valores mostrados en la figura de abajo. Si descartamos el segundo eje, ¿que porcentaje figura de abajo. Si descartamos el segundo eje, ¿que porcentaje de información original perderíamos? de información original perderíamos?
12,5%12,5%
0%0%
25%25%
37,5%37,5%
75%75%
62,5%62,5%
Tier II - Quiz
Pregunta 3Pregunta 3
Módulo 8 – Introducción a la Integración de Procesos 6969
PIECENAMP
En el contexto de Análisis Pinch Térmico, ¿qué es una corriente En el contexto de Análisis Pinch Térmico, ¿qué es una corriente caliente? caliente?
1. Una corriente de proceso que necesita ser calentada1. Una corriente de proceso que necesita ser calentada
2. Una corriente de proceso a temperatura muy alta2. Una corriente de proceso a temperatura muy alta
3. Una corriente de proceso que es usada para generar vapor3. Una corriente de proceso que es usada para generar vapor
4. Una corriente de proceso que necesita ser enfriada4. Una corriente de proceso que necesita ser enfriada
11
22
33
44
Tier II - Quiz
Pregunta 4Pregunta 4
Módulo 8 – Introducción a la Integración de Procesos 7070
PIECENAMP
Más altosMás altos
Más bajosMás bajos
Permanecerían Permanecerían igualigual
Un Análisis Pinch Térmico ha sido realizado en una planta y el Un Análisis Pinch Térmico ha sido realizado en una planta y el TTminmin se fijó a 40ºC. Si otra planta fuera construida con un se fijó a 40ºC. Si otra planta fuera construida con un TTminmin menor, ¿cómo serían los costos de energía correspondientes en menor, ¿cómo serían los costos de energía correspondientes en comparación a la primera planta? comparación a la primera planta?
Tier II - Quiz
Pregunta 5Pregunta 5
Módulo 8 – Introducción a la Integración de Procesos 7171
PIECENAMP
¿Cuáles de los siguientes enunciados son verdaderos?¿Cuáles de los siguientes enunciados son verdaderos?
1.1. El consumo mínimo de energía y el Pinch de recuperación de El consumo mínimo de energía y el Pinch de recuperación de calor son más frecuentemente obtenidos por Curvas calor son más frecuentemente obtenidos por Curvas CompuestasCompuestas
2.2. Las curvas compuestas, así como las corrientes individuales, Las curvas compuestas, así como las corrientes individuales, pueden ser desplazadas horizontalmente en el diagrama T-H pueden ser desplazadas horizontalmente en el diagrama T-H sin causar cambios al proceso sin causar cambios al proceso
3.3. Algunas veces el calor puede ser transferido a través del PinchAlgunas veces el calor puede ser transferido a través del Pinch
4.4. Con la ayuda de Con la ayuda de Tmin y los datos térmicos, el Análisis Pinch Tmin y los datos térmicos, el Análisis Pinch provee un objetivo para el consumo mínimo de energía provee un objetivo para el consumo mínimo de energía
2 y 32 y 3
TodosTodos
1 y 31 y 3
1 y 21 y 2
2 y 42 y 4
3 y 43 y 4
Tier II - Quiz
Pregunta 6Pregunta 6
Módulo 8 – Introducción a la Integración de Procesos 7272
PIECENAMP
Asocia cada herramienta de controlabilidad o índice con el tipo de Asocia cada herramienta de controlabilidad o índice con el tipo de información que éste provee al usuario. información que éste provee al usuario.
1. Índice Niederlinski1. Índice Niederlinski A.A. Muestra la importancia de las Muestra la importancia de las , interacciones en un sistema interacciones en un sistema
2. Ganancia Relativa de 2. Ganancia Relativa de B.B. EstimEstima la sensibilidad de la a la sensibilidad de la respuesta respuesta . del problema a error en la del problema a error en la entrada entrada
3. Número de Condición 3. Número de Condición C. Incluye perturbaciones en el C. Incluye perturbaciones en el análisis de análisis de , interacciones interacciones
4. Arreglo de Ganancia Relativa4. Arreglo de Ganancia Relativa D. D. Discute la estabilidad de Discute la estabilidad de una configu- una configu- , ración de control de ración de control de secuencia cerrada secuencia cerrada
11BB, 2, 2AA, 3, 3CC, , 44DD
11DD, 2, 2CC, 3, 3BB, , 44AA
11CC, 2, 2DD, 3, 3AA, , 44BB11AA, 2, 2DD, 3, 3BB, , 44CC
11DD, 2, 2BB, 3, 3AA, 4, 4CC
11BB, 2, 2CC, 3, 3DD, , 44AA
Tier II - Quiz
Pregunta 7Pregunta 7
Módulo 8 – Introducción a la Integración de Procesos 7373
PIECENAMP
1 y 51 y 5
4 y 64 y 6
3 y 63 y 6
2 y 62 y 6
4 y 54 y 5
2 y 52 y 5
En el Arreglo de Ganancia Relativa mostrado en la diapositiva 54, En el Arreglo de Ganancia Relativa mostrado en la diapositiva 54, ¿que te dicen los valores 1.566 y 1.603 para el emparejamiento ¿que te dicen los valores 1.566 y 1.603 para el emparejamiento de F40 y C34, y Pfin y Ret?de F40 y C34, y Pfin y Ret?
1. No hay interacción con otras secuencias de control 1. No hay interacción con otras secuencias de control
2. El efecto interactivo es más importante que el efecto principal2. El efecto interactivo es más importante que el efecto principal
3. La entrada manipulada no tiene efecto en la salida 3. La entrada manipulada no tiene efecto en la salida
4. Las interacciones de otras secuencias son opuestas en 4. Las interacciones de otras secuencias son opuestas en dirección pero más pequeñas en magnitud que el efecto de la dirección pero más pequeñas en magnitud que el efecto de la secuencia principal secuencia principal
5. Se recomienda el emparejamiento5. Se recomienda el emparejamiento
6. No se recomienda el emparejamiento6. No se recomienda el emparejamiento
Tier II - Quiz
Pregunta 8Pregunta 8
Módulo 8 – Introducción a la Integración de Procesos 7474
PIECENAMP
¿Cuáles de los siguientes enunciados son falsos?¿Cuáles de los siguientes enunciados son falsos?
1.1. El control feedforward compensa las perturbaciones no El control feedforward compensa las perturbaciones no mediblesmedibles
2.2. El control de retroalimentación (feedback) compensa las El control de retroalimentación (feedback) compensa las perturbaciones medibles perturbaciones medibles
3.3. La elasticidad es el grado al que un sistema de procesamiento La elasticidad es el grado al que un sistema de procesamiento puede cumplir sus objetivos de diseño a pesar de las puede cumplir sus objetivos de diseño a pesar de las incertidumbres en sus parámetros de diseño incertidumbres en sus parámetros de diseño
4.4. La Flexibilidad es el grado al que un sistema de procesamiento La Flexibilidad es el grado al que un sistema de procesamiento puede cumplir sus objetivos de diseño a pesar de las puede cumplir sus objetivos de diseño a pesar de las perturbaciones externas perturbaciones externas 2 y 32 y 3
TodosTodos
1 y 31 y 3
1 y 21 y 2
2 y 42 y 4
3 y 43 y 4
Tier II - Quiz
Pregunta 9Pregunta 9
Módulo 8 – Introducción a la Integración de Procesos 7575
PIECENAMP
RespuestasRespuestasPregunta 1Pregunta 1 1 y 21 y 2
Pregunta 2Pregunta 2 11BB, 2, 2AA, 3, 3CC, 4, 4DD
Pregunta 3Pregunta 3 37,5%37,5%
Pregunta 4Pregunta 4 44
Pregunta 5Pregunta 5 Más bajosMás bajos
Pregunta 6Pregunta 6 2 y 42 y 4
Pregunta 7Pregunta 7 11DD, 2, 2CC, 3, 3BB, 4, 4AA
Pregunta 8Pregunta 8 4 y 54 y 5
Pregunta 9Pregunta 9 TodosTodos
Tier II - Quiz