Industrial Process Plants: Global Optimization of Utility Systems

حذف موانع بهینه سازی جهانی سیستم های کاربردی کارخانه با ارائه ابزارها و تکنیک های عملی برای مقابله با این چالش های منحصر به فرد هدف این کتاب است.

هزینه عملیاتی یک سیستم کاربردی کارخانه معمولی یک کارخانه معمولی فرآیند تولید صنعتی بسیار زیاد است - اغلب ده‌ها و نه صدها میلیون دلار در سال. با این همه پول در خطر، می توان انتظار داشت که تلاش های قهرمانانه بهینه سازی برای کاهش هزینه عملیاتی انجام شود، اما معمولاً چنین نیست. یکی از دلایل این رضایت این است که سیستم‌های کاربردی کارخانه معمولاً «مراکز هزینه» در کارخانه‌های فرآیندی هستند و هزینه عملیاتی آن‌ها در بین واحدهای تولیدی مختلف به نسبت است، بنابراین از آنچه در مواقعی از آن به عنوان «تراژدی عوام» یاد می‌شود رنج می‌برد. یکی دیگر از دلایل این رضایت این است که ساختار سیستم Utility کارخانه به طور قابل توجهی متفاوت از سایر واحدهای تولیدی است، زیرا به دلایل انعطاف پذیری و ایمنی دارای ظرفیت اضافی زیادی برای پاسخگویی به افزایش تقاضای تاسیسات در هنگام راه اندازی، خاموشی و شرایط اضطراری است. وجود تجهیزات یدکی بهینه سازی تصمیمات گسسته را ضروری می کند، به طوری که تکنیک های بهینه سازی سنتی به راحتی اعمال نمی شوند.

بخشی از مشکل این است که برنامه درسی مهندسی سنتی در درجه اول بر تنها یکی از روش‌های بهینه‌سازی به نام برنامه‌ریزی غیرخطی (NLP) تاکید دارد. اگرچه NLP می‌تواند کلاس‌های بزرگی از مسائل بهینه‌سازی را برطرف کند، اما الزامات نسبتاً دقیقی دارد که همه روابط (یا توابع) توصیف‌کننده پیوسته و دارای مشتقات پیوسته باشند. علاوه بر این، به طور کلی، NLP فقط یک بهینه محلی را تضمین می کند، اما نه جهانی.

یکی دیگر از روش‌های بهینه‌سازی به‌ویژه برای مدل‌سازی سیستم‌های کاربردی کارخانه، برنامه‌ریزی خطی عدد صحیح مختلط (MILP) نام دارد. و بر خلاف NLP، روش های MILP می توانند بهینه جهانی را تضمین کنند، که بسیار اطمینان بخش است. با این حال، MILP الزامات خطی را تحمیل می کند، اما همانطور که در این کتاب بحث شد، تکنیک هایی برای غلبه بر این محدودیت وجود دارد.

Removing the barriers to the Global Optimization of Plant Utility Systems by providing practical tools and techniques to deal with these unique challenges is the purpose of this book.

The operating cost of a typical Plant Utility System of a typical Industrial Production Process Plant is enormous - often in tens if not hundreds of millions of dollars per Annum. With so much money at stake, one would expect that heroic optimization efforts would be made to reduce the operating cost, however such is usually not the case. One reason for this complacency is that Plant Utility Systems are usually "cost centers" in Process Plants and their operating cost is prorated amongst the various Production Units, so it suffers from what is at times referred to as "the tragedy of the commons". Another reason for this complacency is that the Plant Utility System structure is significantly different than that of other Production Units, as for flexibility and safety reasons it has a large spare capacity to meet increased utility demand during startups, shutdowns, and emergencies. The existence of a spare equipment necessitates optimization of discrete decisions, whereby traditional optimization techniques do not readily apply.

Part of the problem is that the traditional engineering curriculum primarily emphasizes only one of the many optimization methods, called Non-Linear Programming (NLP). Although NLP can address large classes of optimization problems, it has fairly stringent requirements that all describing relationships (or functions) be continuous and have continuous derivatives. Additionally, in general, NLP only guarantees a local but not the global optimum.

Another optimization method is particularly well suited for modeling Plant Utility Systems is called Mixed Integer Linear Programming (MILP). And unlike NLP, MILP methods can guarantee global optimum, which is very reassuring. MILP, however, does impose linearity requirements but as discussed in this book there are techniques to overcome this limitation.