Síntese e otimização de redes de troca de calor e trabalho

Abstract

O aumento do consumo mundial de energia, somado ao fato da matriz energética no mundo ser majoritariamente formada por fontes não renováveis de energia, tem intensificado pesquisas que visem mitigar esse problema. O setor econômico que mais consome energia é o industrial. Então, para diminuir o consumo mundial de energia faz-se necessário aumentar a eficiência energética dos processos industriais. Nesses processos, as formas de energia mais frequentes são o calor e o trabalho, utilizados para aquecer, resfriar, comprimir e expandir correntes de processo. Assim, por meio da integração simultânea de calor e trabalho é possível fazer melhor uso dessas diferentes formas de energia e, portanto, reduzir o consumo de fontes externas de energia nas indústrias. A simultaneidade dessa integração é devida a interação do calor com o trabalho nas tarefas de compressão e expansão de correntes gasosas, uma vez que a temperatura dessas correntes varia significativamente no processo de mudança de pressão. Logo, a intenção dessa integração de processos é sintetizar redes de troca de calor e trabalho (RTCT) que satisfaçam as demandas de processo de compressão, expansão, aquecimento e resfriamento, aproveitando energia do próprio processo. Nesse contexto, esta dissertação teve como objetivo desenvolver uma nova metodologia de síntese e otimização de RTCT com mínimos custos de capital e de operação, usando programação matemática baseada em superestrutura. Para tanto, foi desenvolvida uma nova superestrutura para a representação da RTCT e um modelo sequencial de otimização com a formulação de um problema de programação não-linear mista inteira (MINLP). Além disso, desenvolveu-se o uso de substituição de variáveis e de otimização em terceiro nível como estratégias de redução de graus de liberdade e consequente redução das variáveis de decisão do problema. Para a solução do MINLP, uma técnica de otimização meta-heurística em dois níveis foi desenvolvida, empregando Simulated Annealing para o problema combinatório e Particle Swarm Optimization para o problema de programação não-linear. A validação da nova metodologia foi feita por sua aplicação a três estudos de caso, com duas, cinco e seis correntes de processo. A economia gerada com as RTCT obtidas por essa metodologia supera os melhores resultados reportados na literatura em faixa de 0,6 a 7,2 %. Conclui-se que tanto a superestrutura desenvolvida como a formulação do problema MINLP visando reduzir o número total de variáveis de decisão são eficazes na síntese e otimização de RTCT

Both the increasing global energy consumption and the global energy matrix being mainly composed by non-renewable energy sources intensify research to mitigate this problem. The economic sector that consumes the most energy globally is the industry. Therefore, improving industrial processes energy efficiency is one way to diminish energy consumption worldwide. The most frequent energy available in industrial processes is heat and work that are used respectively for heating, cooling, compressing, and expanding process streams. Thus, the simultaneous heat and work integration is a mean of avoiding energy waste that results in reducing external energy sources consumption. The simultaneity of this integration is due to the heat and work interaction in compression and expansion of gaseous streams, once the temperature of gaseous streams varies with pressure change. The goal of this process integration is to determine work and heat exchange networks (WHEN) that perform industrial demands for compression, expansion, heating, and cooling with energy from within the process. In this context, the objective of present dissertation was to develop and implement a new methodology of synthesis and optimization of WHEN with minimum capital and operational costs using superstructure based mathematical programming. This methodology included a new WHEN superstructure and a sequential optimization model that has formulation of a mixed-integer nonlinear programming (MINLP) problem. Also, it included strategies of changes of variables and third-level optimization to reduce degrees of freedom and consequently the number of decision variables. For the MINLP solution approach a two-level meta-heuristic optimization method was developed, in which Simulated Annealing was used in combinatorial problem and Particle Swarm Optimization for the non-linear programming problem. For the sake of validation, this methodology was applied to three case studies that contained two, five, and six process streams. The WHENs economic savings obtained with this methodology overcame results reported in the literature from 0.6 to 7.2 %. Therefore, it is possible to conclude that both the new superstructure and its decision variables reduced MINLP model were efficient in the synthesis and optimization of WHEN