El propósito del workshop es dar a conocer los avances y resultados más relevantes obtenidos en los campos del modelado, control y optimización en el proyecto “Control y Optimización de Planta Completa Integrado para Industria 4.0” (InCO4In).
Se desarrollará online los días 20 y 21 de junio de 2022 en el horario de 12:00 a 14:30 y de 11:00 a 13:30, respectivamente. También participarán dos investigadores externos que han colaborado en el proyecto e impartirán dos conferencias. Para inscribirse, use el siguiente formulario antes del viernes 17 de junio a las 12h.
Agenda
20 de junio: MODELADO Y SIMULACIÓN
12:00 a 12:10: Presentación y apertura del Workshop.
12:10 a 12:30: Construcción sistemática de modelos grises usando regresión con restricciones: J.L. Pitarch.
12:30 a 12:50: Optimización de la esterilización térmica de alimentos considerando variabilidad entre productos: C. Vilas.
12:50 a 13:10: Co-simulación de una planta de esterilización usando FMI: S. Galán.
13:10 a 13:20: Pausa
13:20 a 13:40: Simulación predictiva de la red de H2 de una refinería de petróleo: G. Gutiérrez.
13:40 a 14:00: Desarrollo y operación de un gemelo digital en una planta de MDF: C. de Prada.
14:00 a 14:30: Advances in Algorithms for Large-Scale Stochastic Optimization: Víctor Zavala, College of Engineering, University of Wisconsin-Madison, zavalatejeda@wisc.edu
Abstract: In this talk, we review recent advances in the modeling and solution of large-scale stochastic optimization problems. Our work is motivated by applications in the real-time scheduling of energy systems, which requires handling of mixed-integer variables and uncertainties that span multiple timescales. We show how to manage these complexities using structure-exploiting formulations and cutting-plane algorithms and demonstrate that significant improvements in performance are possible over deterministic formulations.
21 de junio: CONTROL PREDICTIVO, SCHEDULING Y OPTIMIZACIÓN
11:00 a 11:30: Robust Dynamic Real-time Optimization for Chemical and Energy Processes: Lorenz T. Biegler, Carnegie Mellon University, Pittsburgh, PA, biegler@cmu.edu
Model Predictive Control (MPC) is widely accepted in the process industries and energy systems as a generic multivariable controller with constraint handling. More recently, MPC has been extended to Nonlinear Model Predictive Control (NMPC) in order to realize high-performance control of highly non- linear processes. In particular, NMPC allows incorporation of detailed process models (validated by off-line analysis) and also integrates with on-line optimization strategies consistent with higher-level tasks, such as scheduling and planning. NMPC for tracking and so-called “economic” stage costs have been developed, and fundamental stability and robustness properties of NMPC have been analyzed. This talk provides an overview of NMPC and eNMPC concepts and approaches, as well as the underlying optimization strategies that support the solution strategies. In addition, several process case studies are presented to demonstrate the effectiveness of these approaches.
11:30 a 11:50: Scheduling en línea de la sección de esterilización en una planta conservera: C. de Prada.
11:50 a 12:10: Scheduling de crudos con incertidumbre en una refinería de petróleo: T. García
12:10 a 12:20: Pausa
12:20 a 12:40: Métodos de descomposición para problemas de optimización estocástica multietapa: D. Montes.
12:40 a 13:00: Operación eficiente de un secadero industrial de fibras mediante NMPC: J.L. Pitarch.
13:00 a 13:20: MPC económico usando modelos con errores estructurales, E. Oliveira.
13:20 a 13:30: Conclusiones y fin del Workshop.