Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
VI CAIQ 2010
AAIQ Asociación Argentina de Ingenieros Químicos
ANÁLISIS DE OPTIMIZACIÓN DINÁMICA DE UN CIRCUITO DE
GRANULACIÓN DE UREA
I.M. Cotabarren*, V. Bucalá, J. Piña
Planta Piloto de Ingeniería Química (UNS-CONICET)
Camino La Carrindanga, Km 7. (8000) Bahía Blanca, ARGENTINA
E-mail: [email protected]
Resumen. En este trabajo se utiliza un modelo dinámico de un circuito de
granulación de urea, desarrollado en contribuciones anteriores, para llevar a
cabo optimizaciones dinámicas. El flowsheet propuesto de la planta de
granulación incluye un granulador de lecho fluidizado, una unidad de
enfriamiento, zarandas vibratorias de doble paño y molinos de rodillos. La
herramienta elegida para el modelado y simulación del circuito es el
gPROMS Model Builder Environment, que permite simular y optimizar
procesos de estado estacionario y no estacionario. Se plantearon diferentes
optimizaciones que permitieron determinar las trayectorias óptimas de
distintas variables seleccionadas como manipuladas para maximizar la
fracción de producto en el rango de tamaño comercializable, minimizar la
corriente de reciclo de material fuera de especificación y maximizar caudal
de producto. Todas las optimizaciones condujeron a nuevos puntos
operativos alcanzados, a partir del estado estacionario inicial, mediante
trayectorias dinámicas que respetan para todo tiempo las restricciones
impuestas al proceso.
Palabras clave: Circuitos de Granulación de Fertilizantes, Urea, Optimización.
1. Introducción
La granulación, física o química, es un proceso que reviste gran importancia en los
procesos que manejan sólidos particulados. El término granulación física se refiere al
crecimiento de pequeñas partículas (semillas) por la aglomeración de las mismas o bien
por deposición y secado de pequeñas gotas de líquidos concentrados sobre las semillas.
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
En la industria de los fertilizantes el proceso de granulación es considerado como uno
de los avances más significativos debido a que permite obtener productos sólidos con
claras ventajas en cuanto al almacenamiento, transporte y manejo (Balliu and Cameron,
2007). Entre los fertilizantes nitrogenados de mayor aplicación a nivel nacional y
mundial se encuentra la urea, en particular bajo su forma granulada; cuyo mercado está
en constante expansión especialmente en los países con gran crecimiento demográfico.
La granulación de urea es una operación compleja y difícilmente puede ser llevada a
cabo en una única etapa; en general está compuesta por una serie de equipos que
realizan operaciones específicas del proceso constituyendo los llamados circuitos de
granulación (Fig. 1). La unidad principal es el granulador donde pequeñas partículas
denominadas semillas (generalmente material fuera de especificación) son
continuamente introducidas y rociadas con una solución de urea líquida concentrada.
Las semillas crecen por deposición de gotas de la solución de fertilizante sobre la
superficie de las partículas seguida por la evaporación del contenido de agua y la
solidificación de la urea (Bertin et al., 2007). El granulador cuenta con cámaras de
crecimiento donde se atomiza la solución de urea concentrada y otras de enfriamiento.
El material particulado que abandona el granulador es enfriado en un lecho fluido y
posteriormente clasificado por zarandas de doble paño en material en especificación
(producto), material de tamaño mayor al especificado (gruesos) y material de tamaño
menor al requerido (finos). El producto se envía al sector de almacenamiento mientras
que los gruesos son reducidos en los molinos para reciclarse, junto con los finos
separados en la zaranda, como semillas al granulador. Los molinos cuentan con dos
pares de rodillos colocados en serie, los cuales permiten reducir el tamaño de los
gruesos sin generar excesivo polvo (Cotabarren et al., 2008).
En las plantas de granulación es habitual que sólo una relativamente baja fracción del
producto que abandona el granulador esté dentro del rango de comercialización; por lo
tanto, comúnmente se trabaja con grandes relaciones de reciclo. Las características del
reciclo tienen gran influencia en la performance del granulador. Debido a que el reciclo
retroalimenta masa y calor, se observa que el circuito opera con oscilaciones.
Dependiendo de las condiciones operativas, el circuito puede presentar oscilaciones que
se amortiguan o bien inestabilidades crecientes que conducen a la parada de la planta.
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
Las oscilaciones conducen a un producto granular con propiedades que varían en el
tiempo, por lo tanto con el objeto de mantener calidad lo más constante posible el
entendimiento de la dinámica del proceso resulta esencial. Para ello se requiere una
herramienta matemática que permita el modelado y simulación del sector de
granulación de urea operando en estado no estacionario (Adetayo et al., 1995; Heinrich
et al., 2003).
Fig. 1. Circuito de granulación de urea típico.
El modelo dinámico del circuito de granulación presente en este trabajo ha sido
desarrollado y estudiado en contribuciones anteriores mediante el modelado de cada uno
de sus componentes y posteriormente el análisis de sensibilidad paramétrica del sistema
operando en estado estacionario y no estacionario. Cotabarren et al. (2010)
determinaron operaciones en estado estacionario óptimas que permitieron maximizar o
minimizar diversas funciones objetivo. En este trabajo se continúa el análisis del
circuito mediante la implementación de optimizaciones dinámicas con una o múltiples
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
variables manipuladas, con el objeto de encontrar trayectorias óptimas que permitan
operar la planta en condiciones eficientes.
2. Modelos y Métodos de Resolución
Los distintos equipos que constituyen el circuito de granulación y los modelos
utilizados para su representación se describen a continuación. El uso de los molinos de
rodillos en la etapa de reducción de tamaño es muy común en los circuitos de
granulación. Estos equipos están constituidos por dos pares de rodillos, lisos, estriados o
dentados, que giran en direcciones opuestas a una cierta velocidad. La distancia entre
los rodillos (GAP) es variable y resulta un parámetro clave para la distribución de
tamaño de partículas (Particle Size Distribution, PSD) que abandona el equipo. El
modelo utilizado fue presentado en una contribución previa (Cotabarren et al., 2008) y
está basado en el desarrollado por Austin y colaboradores (Austin et al., 1980) para la
industria minera. Este modelo, que fue validado con datos experimentales provenientes
de una planta de granulación de urea de alta capacidad, utiliza como únicos parámetros
para la determinación de la PSD de salida del equipo, la distribución de tamaño de
partículas de la alimentación y el espaciado entre los rodillos.
La etapa de clasificación es generalmente efectuada mediante una zaranda vibratoria
de doble paño. Este tipo de dispositivos, al igual que los molinos, han sido
extensamente estudiados en la industria de procesamiento de minerales. En este caso, el
modelo desarrollado se basó en el propuesto por Karra (Karra, 1979), que determina la
performance de la zaranda mediante la determinación de los coeficientes de partición
para la corriente de gruesos para cada intervalo de tamaño. El modelo fue presentado y
validado con datos experimentales de planta en una contribución previa (Cotabarren et
al., 2009).
Para el modelado de la unidad de granulación de lecho fluidizado se profundizó en la
representación del fenómeno de crecimiento existente en la unidad así como también en
la resolución numérica del balance de población (ecuación constitutiva requerida para la
predicción de la distribución de tamaño de partículas a la salida de la unidad). Se
desarrollaron además del balance de población, los balances de masa y térmicos para
todas las cámaras. A partir de este estudio se obtuvo un modelo matemático dinámico
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
para representar al granulador de multicámaras (Bertín et al., 2010). El enfriador de
lecho fluidizado cumple la función de disminuir la temperatura de la corriente de
partículas que deja el granulador, sin generar ningún cambio en la PSD de la misma. Por
lo tanto, se modeló cómo una cámara de enfriamiento del granulador más, con las
características geométricas y operativas de la unidad en particular.
Todos los modelos fueron implementados y desarrollados en el ambiente de
gPROMS, permitiendo tener una herramienta poderosa para la simulación y
optimización (Cotabarren et al., 2010). Para el desarrollo de éste trabajo fueron
utilizadas las herramientas que gPROMS provee para la optimización dinámica. Los
códigos utilizados para llevar a cabo la optimización son CVP_SS (single shooting) y
CVP_MS (multiple shooting). En principio, CVP_MS debe ser utilizado para problemas
con muchas variables de decisión, pero con pocas variables de estado. CVP_SS
normalmente se prefiere para problemas de gran volumen (cientos o miles de variables
de estado), pero con un bajo número de variables de decisión. Por las características del
circuito de granulación, el número de variables operativas que tienen libertad para ser
manipuladas es bajo (entre otras, caudal de solución de urea melt, espaciado entre los
rodillos del molino, aperturas de las zarandas, caudal y temperatura del aire de
fluidización del granulador y enfriador, área de descarga de la corriente de salida del
granulador) mientras que las ecuaciones diferenciales suman más de 250. Por esta
razón, el algoritmo CVP_SS es el utilizado para resolver la optimización dinámica del
circuito de granulación. Además de la función objetivo y las variables a manipular en
los intervalos de control, gPROMS permite definir restricciones de punto final (en el
tiempo final), restricciones de punto interior (en los tiempos correspondientes a los
extremos de los intervalos de control) y restricciones de trayectoria (en todo tiempo)
(gPROMS Documentation).
En la operación normal del circuito de granulación, la calidad del producto se evalúa
en función de diferentes parámetros, por ejemplo: la fracción en masa de partículas
dentro de un determinado rango de tamaño (e.g., W2-4mm) y la mediana o SGN (Size
Guide Number) de la distribución. El SGN representa el tamaño en milímetros para el
cual el 50% en peso de los sólidos es más grande y el 50% es más chico, multiplicado
por 100. En general, y cómo consecuencia de los estándares internacionales, se busca un
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
producto con partículas de tamaño entre 2 y 4 mm (Karnaphuli Fertilizer Co. Ltd.) y
valores de SGN entre 300 y 320 (CF Industries).
Existen también, durante la operación del circuito, ciertas restricciones físicas que no
deben ser violadas con el objeto de garantizar la buena performance del proceso. En el
caso del granulador, existen límites para las alturas de las cámaras, que no deben ser
mayores al tabique divisorio entre ellas ni menores que una altura mínima. También, en
cuanto a las temperaturas de las cámaras de crecimiento, éstas deben ser
considerablemente menores que la temperatura de fusión de la urea (e.g., 120ºC) y
mayores que 100ºC para permitir la total evaporación del agua y solidificación de la
urea sobre las partículas del lecho.
3. Resultados y Discusiones Las optimizaciones que se presentan se implementaron partiendo de un estado
estacionario que contempla las condiciones normales de operación en planta. Dicho
estado estacionario corresponde al utilizado en una contribución anterior, donde se
analiza el comportamiento dinámico del circuito (Cotabarren et al., 2010).
3.1. Maximización de la Fracción de Producto en Especificación En primer lugar, se planteó maximizar para todo tiempo la función objetivo definida
como la fracción de producto en especificación. Según lo analizado en Cotabarren et al.
(2010) las variables que más afectan la performance del circuito son el espaciado entre
el par de rodillos inferior del molino (GAPL) y las aperturas de las mallas de las
zarandas (hT para apertura de malla superior y hB para apertura de malla inferior),
siendo el espaciado de los rodillos la única variable que es posible modificar de manera
relativamente continua durante la operación de la planta. Por esta razón, se seleccionó
para este estudio, la apertura del par de rodillos inferior del molino como variable
manipulada. La optimización se llevó a cabo considerando restricciones en el SGN del
producto, en la altura de la segunda cámara y en la temperatura del primer
compartimiento de crecimiento. El problema de control óptimo propuesto se presenta a
continuación:
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
Función objetivo: ( )∫ −
ft
mm dttW0
42max (1)
Restricciones: ( ) 320300 ≤≤ tSGN producto (2)
( ) weir2weir HtHH5.0 ≤≤ (3)
( ) Cº120tTCº100 1 ≤≤ (4)
En simulaciones exploratorias previas, se observó que 2H y 1T resultaron las únicas
restricciones activas del conjunto de alturas y temperaturas de las seis cámaras, por esta
razón sólo las variables mencionadas fueron incluidas como restricciones para todo el
tiempo definido como escenario de optimización. Se programó un horizonte de tiempo
de 10 horas totales, el cual se dividió en diferentes intervalos de control desde 1 hasta
un número máximo, i.e. el número de intervalos que no introduce mejoras significativas
de la función objetivo. La duración de cada intervalo de control es variable.
La Fig. 2 muestra la evolución de la fracción en especificación (2.a) y de la variable
manipulada (2.b) para un número de intervalos de control que varía desde 1 a 15. Se
observa, tal como es de esperar, que el aumento del número de intervalos de control
(i.e., más grados de libertad) conduce a fracciones en especificación mayores. Sin
embargo, un número de intervalos mayor a 10 no incorpora cambios significativos y
aumenta considerablemente el tiempo requerido para la resolución del problema. Por
otra parte, un número de intervalos de control de 10 conduce a cambios de la variable
manipulada en períodos de tiempo razonables para las rutinas de los operadores de
planta. Por lo tanto, para el análisis de otras variables claves del circuito se consideró la
optimización llevada a cabo con 10 intervalos de control de duración variable.
La Fig. 2 indica que el espaciamiento entre los rodillos inferiores del molino en el
último intervalo de control es aumentado en más de un 40% respecto al valor en el
anteúltimo intervalo. Esta acción conduce a un aumento abrupto de la función objetivo,
esta mejora no puede conseguirse cuando se trabaja con un número de intervalos de
control menor o igual a 9 ya que se exceden algunas de las restricciones impuestas.
Cuando se aumenta el horizonte de tiempo, el aumento sustancial de la variable
manipulada en el último intervalo se observa cuando se implementa un número mayor a
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
10 de intervalos de control (i.e. un horizonte de tiempo de 13 horas muestra un aumento
abrupto en el espaciamiento de los rodillos inferiores en el último intervalo cuando se
optimiza con 13 intervalos o más).
Fig. 2. Maximización de la fracción de producto en especificación: a) función
objetivo y b) variable manipulada
La Fig. 3 muestra perfiles de diferentes variables del circuito en función del tiempo
para el sistema operando con la trayectoria óptima del espaciamiento entre rodillos
mostrada en la Fig. 2b (10 intervalos de control). Se observa que las restricciones
activas durante la simulación son las correspondientes a la altura de la segunda cámara
(H2 = Hweir) y la temperatura de la primera cámara (T1 = 100ºC). La fracción de reciclo
(definida como la relaciones de caudales másicos de producto
finosgruesos +), toma valores
mayores al reciclo del estado estacionario inicial hasta el último intervalo de control
(Fig. 3.d). Este comportamiento indica que el caudal de producto entre 2 y 4 mm puede
mejorarse a costa de un aumento significativo del reciclo (>20 %, exceptuando el último
intervalo de control). Este aumento en el reciclo conduce a aumentos en las alturas y
descensos en las temperaturas de las cámaras (Fig. 3.b y 3.c). Si bien hay un aumento en
la masa de las cámaras, también aumenta el caudal de sólidos que circula en el
granulador. Estos efectos, para un caudal de urea atomizada fijo, hacen que el
a) b)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
crecimiento de las partículas en el granulador disminuya sustancialmente. En
consecuencia, todas las corrientes del circuito, inclusive la de producto (Fig. 3.a)
disminuyen su tamaño medio o SGN.
Fig. 3. Maximización de la fracción de producto en especificación. Variables
seleccionadas del circuito.
Si bien con esta operación se logra un aumento de la fracción en especificación de un
86.4% (fracción en especificación para el estado estacionario inicial) a un 88.5% (valor
promedio de la función objetivo en el horizonte de tiempo seleccionado), el reciclo
a) b)
c) d)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
aumenta, en promedio, un 20%. El incremento de esta variable introduce una sobrecarga
en los equipos del circuito. Existe una relación de compromiso entre ambas variables
que hay que tener en cuenta cuando se evalúa el beneficio de la operación.
3.2. Minimización de la Fracción de Reciclo
Altos reciclos en el sistema pueden causar la sobrecarga de las diversas unidades del
circuito, produciendo en muchos casos una pérdida de eficiencia en la función que
tengan dichos equipos del proceso. Por lo tanto, resulta atractivo plantear la
minimización de la corriente de reciclo. Se consideró como variable manipulada el
espaciado entre el par de rodillos inferior del molino y se consideraron las mismas
restricciones en SGN de producto, altura y temperatura de las cámaras que para las
optimizaciones anteriores. La formulación del problema de optimización es la siguiente:
Función objetivo: ( )∫ft
dttR0
min (5)
Restricciones: ( ) 320300 ≤≤ tSGN producto (2)
( ) weir2weir HtHH5.0 ≤≤ (3)
( ) Cº120tTCº100 1 ≤≤ (4)
Fig. 4. Minimización de fracción de reciclo: a) función objetivo y b) variable
manipulada.
a) b)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
La Fig. 4 presenta los perfiles dinámicos del reciclo y de la variable manipulada para
distintos intervalos de control. Nuevamente un número de 10 intervalos resulta
adecuado para la optimización propuesta.
Fig 5. Minimización de la fracción de reciclo. Variables del circuito seleccionadas.
En cuanto al comportamiento de las variables, se observa en la Fig. 5 que la única
restricción activa es el SGN del producto. La disminución de la fracción de reciclo
genera que una corriente de menor caudal ingrese al granulador, por lo tanto disminuyen
las alturas de los lechos (Fig. 5.b) y aumentan las temperaturas de las cámaras de
a) b)
c) d)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
crecimiento (Fig. 5.c) (es importante resaltar que la corriente de reciclo ingresa
relativamente fría, aproximadamente a 60 ºC, como consecuencia de la etapa de
enfriamiento). Por otro lado, si bien hay menos masa en el granulador aumenta el
tiempo de residencia debido a que el caudal de sólidos disminuye, esto conduce a un
mayor crecimiento de las partículas y a un aumento del SGN del producto. La fracción
de producto en especificación disminuye levemente cuando se toma esta acción de
optimización.
Es importante destacar que debido a que la restricción en el SGN se alcanza
rápidamente, la disminución en la fracción de reciclo que se logra en el proceso de
minimizar esta función objetivo no es sustancial (de 0.62 en el estado estacionario
inicial a 0.61 que representa el valor promedio del reciclo en 10 horas). Esto indica que
variaciones del GAPL no logran reducir el reciclo.
3.3. Maximización de la Producción
Variable manipulada: Caudal de urea fundida. Como tercer caso de optimización,
se propuso maximizar el caudal de producto (Fp), respetando las restricciones operativas
mencionadas en el punto 3.1 en todo el horizonte de tiempo seleccionado (10 horas). La
variable manipulada seleccionada fue el caudal de solución de urea atomizada en el
granulador, ya que es la que tiene un efecto directo en el caudal de producto. En efecto,
si se desprecia el polvo que puede generarse en el granulador y en el enfriador, para un
circuito operando en estado estacionario, el caudal de urea empleado debe ser idéntico
al de producto. La solución trivial al problema de optimización planteado sería
aumentar lo máximo posible el caudal de urea, sin embargo operando bajo estas
condiciones las restricciones impuestas pueden ser violadas, por lo tanto el caso de
optimización planteado resulta atractivo para la búsqueda del caudal de urea factible. La
formulación matemática de este problema de optimización es la siguiente:
Función objetivo: ( )∫ft
p dttF0
max (6)
Restricciones: ( ) 320300 ≤≤ tSGN producto (2)
( ) weir2weir HtHH5.0 ≤≤ (3)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
( ) Cº120tTCº100 1 ≤≤ (4)
La Fig. 6 muestra la dinámica del caudal de producto y de la variable manipulada
usando distintos números de intervalos de control. Del mismo modo que para el caso del
punto 3.1, 10 intervalos de control fueron suficientes para lograr el máximo de la
función objetivo. El caudal de urea puede aumentarse como máximo un promedio del
10% respecto a su valor de estado estacionario, siendo este máximo impuesto por las
violaciones que ocurren en las restricciones impuestas al problema.
En la Fig. 6.b se observa un pico descendente a las 2.5 horas aproximadamente de
iniciada la optimización para la curva de 15 intervalos de control. Sin embargo, esta
variación no muestra ningún efecto significativo en el resto de las variables del circuito,
por lo tanto se considera que 10 intervalos son suficientes para maximizar el caudal de
producción.
Fig. 6. Maximización de caudal de producto: a) función objetivo y b) variable
manipulada.
La Fig. 7 muestra la evolución de ciertas variables del circuito en función del tiempo
de operación cuando se alimenta urea siguiendo el perfil óptimo de la Fig. 6.b (10
intervalos de control). Se observa que el SGN (Fig. 7.a) en primer instancia, y luego la
altura de la cámara 2 (Fig. 7.b) resultan restricciones activas. El efecto de aumentar el
caudal de urea para generar más producto resulta en una disminución del orden del 10%
a) b)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
en la fracción de reciclo (Fig. 7.d), esto se debe básicamente al importante aumento del
caudal de producto (i.e. denominador en la fracción de reciclo: producto
finosgruesos +). La
fracción de producto en especificación, salvo por un descenso inicial del 1%, no se ve
alterada. La optimización planteada, sujeta a las hipótesis involucradas en el modelado
de todas las unidades del circuito, permite obtener el aumento de capacidad de la planta
máximo posible cuando esta opera a lazo abierto, i.e. sin acciones de control
adicionales.
Al incorporar más solución de urea fundida se genera un mayor crecimiento de las
partículas, lo cual conduce a un importante aumento inicial del SGN del producto (Fig.
7.b). Sin embargo, aumenta también el caudal de circulación entre las cámaras del
granulador disminuyendo el tiempo de residencia en el mismo, siendo este el efecto que
prevalece finalmente generando una disminución del tamaño de las partículas respecto
al estado estacionario inicial. Es importante destacar que una disminución en la fracción
de reciclo no implica que el caudal de entrada al granulador sea menor, en éste caso la
fracción de reciclo disminuye porque el caudal de producto aumenta en mayor
proporción que los caudales de gruesos y finos que son enviados al granulador cómo
semillas, generando el aumento en los caudales de circulación entre las cámaras que
disminuyen el tiempo de residencia. La solución de urea entra a una temperatura mayor
que la temperatura de las cámaras, al aumentar entonces el caudal de urea aumenta el
aporte energía de esta corriente y por lo tanto se incrementa la temperatura de las
cámaras de crecimiento del granulador (Fig. 7.c), aunque sin llegar al valor máximo
posible.
Esta política de optimización resulta beneficiosa porque aumenta la producción de la
planta sin un cambio significativo de la fracción en especificación y con una reducción
de la fracción de reciclo.
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
Fig. 7. Maximización de caudal de producto. Variables seleccionadas del circuito.
Variables Manipuladas: Caudal de urea fundida y área de descarga del
producto del granulador. Tal como se explicó en el punto anterior, la manipulación
sólo del caudal de solución de urea permite aumentar la producción en un 10% respecto
a su valor de estado estacionario inicial. Mayores caudales de urea fundida causan
aumentos de las alturas de las cámaras a niveles no permitidos (Fig. 7.b). En búsqueda
de operaciones que maximicen la capacidad de planta, se propone manipular
a) b)
c) d)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
simultáneamente el caudal de urea fundida y la apertura del área de descarga de
producto del granulador localizada en la última cámara de éste. El nuevo caso de
optimización puede describirse como sigue:
Función objetivo: ( )∫ft
p dttF0
max (7)
Restricciones: ( ) 320300 ≤≤ tSGN producto (2)
( ) weir2weir HtHH5.0 ≤≤ (3)
( ) Cº120tTCº100 1 ≤≤ (4)
( ) weirweir HtHH ≤≤ 65.0 (8)
( ) CtTC º120º100 2 ≤≤ (9)
( ) CtTC º120º100 3 ≤≤ (10)
Fig. 8. Maximización de caudal de producto: a) función objetivo y b) variables
manipuladas.
Para este caso se incorporaron las restricciones (8), (9) y (10) que se hacen activas en
esta optimización en particular. La Fig. 8.a muestra la mejora en la función objetivo que
a b
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
se logra mediante la manipulación de dos variables de control. Se observa que con la
variación del área de descarga se logra un incremento de la producción de un 30%
mientras que al manipular sólo el caudal de urea fundida se logra un aumento de un
10%.
La Fig. 8.b muestra las trayectorias seguidas por las variables manipuladas. Es
importante destacar que se seleccionaron al igual que para las optimizaciones anteriores,
10 intervalos de control sin ninguna restricción en la duración de los mismos, de manera
que se obtienen trayectorias óptimas teóricas. Los perfiles óptimos teóricos de las
variables manipuladas presentan un descenso brusco alrededor de 1.4 horas de
comenzada la optimización, el cual dura unos pocos segundos. Sin duda, cuando se
desee implementar las trayectorias deberá tenerse en cuenta la velocidad de respuesta de
los actuadores que permiten modificar las variables manipuladas, debiéndose corregir
los óptimos teóricos a óptimos factibles.
En la Fig. 9 se observa el comportamiento de las variables del circuito. Las alturas de
las cámaras descienden tal como se espera al aumentar la descarga del granulador (Fig.
9.b), siendo el límite inferior para la cámara 6 el que resulta activo en esta optimización.
Como consecuencia de la menor carga de las cámaras y la incorporación de una mayor
cantidad de solución de urea a alta temperatura a las cámaras de crecimiento, la
temperatura de éstas alcanza el límite superior (Fig. 9.c). Si se quisiera aumentar aún
más la producción podría considerarse incorporar como variable manipulada el caudal
del aire de fluidización, el cual al aumentar enfriaría las cámaras de crecimiento. La
fracción de producto en especificación permanece casi constante luego de ciertas
oscilaciones al comienzo de la optimización y la fracción de reciclo disminuye, como es
de esperar al tener un aumento significativo del denominador de la función que lo
representa (Fig. 9.d). En cuanto al SGN del producto (Fig. 9.a) se observa que en un
principio aumenta por el mayor crecimiento que genera la incorporación de solución de
urea en las cámaras del granulador. Sin embargo, el efecto de tener corrientes mayores
en el sistema (causadas por una mayor apertura del área de descarga) conducen a una
disminución del tiempo de residencia en las cámaras y consecuentemente a un menor
crecimiento de las partículas en las mismas, provocando la disminución que se observa
en el SGN.
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
Fig 9. Maximización de caudal de producto. Variables del circuito seleccionadas.
4. Conclusiones
La fracción en especificación entre 2 y 4 mm puede ser maximizada mediante la
manipulación del espaciamiento entre el par inferior de los rodillos del molino (GAPL).
Sin embargo esta acción que mejora la calidad del producto de venta, causa aumentos
importantes en la corriente de reciclo.
a) b)
c) d)
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
La corriente de reciclo no logra modificarse sustancialmente mediante la
manipulación del GAPL.
La capacidad de planta puede incrementarse como máximo un 10% si sólo se
manipula el caudal del fundido, sin embargo puede elevarse a un 30% mediante la
manipulación simultánea del caudal de fundido y el área de descarga de producto a la
salida del granulador.
El modelo dinámico desarrollado, junto con las políticas de optimización ensayadas
indican que la performance la planta puede ser mejorada mediante la correcta selección
de las variables del control de proceso.
Agradecimientos
Los autores agradecen a la Universidad Nacional del Sur, a la Agencia Nacional de
Promoción Científica y Tecnológica (ANPCyT) y al Consejo Nacional de
Investigaciones Científicas y Técnicas (CONICET) por el soporte financiero durante
este trabajo.
Referencias
Adetayo, A.A.; Litster, J.D.; Cameron I.T. Steady State Modeling and Simulation of a
Fertilizer Granulation Circuit. Computers Chem. Eng., 1995, 19, 383-393.
Austin L.G.; Van Orden D.R.; Perez J.W. A Preliminary Analysis of Smooth Roll Crushers.
Int. J. Mineral Processing, 1980, 6, 321–336.
Balliu, N.E. and Cameron, I.T. Performance Assessment and Model Validation for an
Industrial Granulation System. Powder Technology, 2007, 179, 12-24.
Bertin, D.; Cotabarren, I.; Bucalá, V.; Piña, J. Analysis of the Product Granulometry,
Temperature and Mass Flow of an Industrial Multichamber Fluidized Bed Urea Granulator.
Powder Technology, 2010, Accepted.
Bertin, D.E.; Mazza, G.D.; Piña, J.; Bucalá, V. Modeling of an Industrial Fluidized Bed
Granulator for Urea Production. Industrial and Engineering Chemistry Research, 2007, 46,
7667-7676.
CF Industries. Deerfield, Illinois, USA. http://www.cfindustries.com/ProductUrea.htm
Cotabarren I.M.; Rossit, J.; Bucalá, V.; Piña, J. Modeling of an Industrial Vibrating Double-
Deck Screen of a Urea Granulation Circuit. Industrial and Engineering Chemistry Research,
2009, 48 (6), 3187-3196.
VI CAIQ 2010
AAIQ, Asociación Argentina de Ingenieros Químicos
Cotabarren, I.; Schulz, P.G.; Bucalá, V.; Piña, J. Modeling of an Industrial Double Roll
Crusher of a Urea Granulation Circuit. Powder Technology, 2008, 183 (2), 224-230.
Cotabarren, I; Bertín D.; Romagnoli, J.; Bucalá, V.; Piña, J. Dynamic Simulation and
Optimization of a Urea Granulation Circuit. Industrial and Engineering Chemistry Research,
2010, 49 (14), 6630-6640.
gPROMS Documentation, Release 3.1.4, Process Systems Enterprise Ltd., 2008, London,
United Kingdom.
Heinrich, S.; Peglow, M.; Mörl, L. Particle Population Modeling in Fluidized Bed Spray
Granulation - Analysis of the Steady State and Unsteady Behaviour. Powder Technology, 2003,
130, 154-161.
Karnaphuli Fertilizer Company Limited. Rangadia, Anowara Chittagong, Bangladesh.
http://www.kafcobd.com/html/products.html
Karra, V. K. Development of a Model for Predicting the Screening Performance of a
Vibrating Screen. CIM Bull, 1979, 72 (804), 167-171.