Los programas de modelado algebraico son utilizados para la resolución de diferentes problemas que van desde la selección óptima de equipos y recursos en sector industrial químico a la gestión logística de una empresa genérica. La resolución de casos de estudio reales de la industria mediante métodos de optimización, tan comunes en un ámbito de investigación científica, son a menudo desconocidos por las empresas, que resuelven estos problemas mediante métodos menos eficientes y a que a menudo les conducen a trabajar en unas condiciones sub-optimizas. El paquete basado en Python llamado pyomo permite la formulación y resolución de problemas de optimización con restricciones no lineales de manera eficiente, reutilizable y portátil.
Optimizacion con Python (Pyomo vs GAMS vs AMPL)CAChemE
https://www.youtube.com/watch?v=LfBGGTUdbXU
La optimización o programación matemática mediante lenguajes de modelado algebraico ---comúnmente GAMS, AMPL y AIMMS--- es utilizada en la industria para la resolución de diferentes problemas que van desde la selección óptima de equipos y recursos a la gestión logística de una empresa. Pyomo es un paquete de software de código abierto ---licenciado bajo BSD por Sandia National Laboratories, USA--- desarrollado en Python, y que soporta un conjunto diverso de capacidades de optimización para la formulación y el análisis de modelos de optimización. En particular, Pyomo permite el modelado de problemas tipo LP, QP, NP, MILP, MINLP, MISP entre otros y se comunica con los principales solvers comerciales, gratuitos y/o libres, así como la plataforma ofrecida por NEOS server. La resolución mediante métodos de optimización ---comunes en un ámbito de investigación científica--- son a menudo desconocidos en la industria o bien delegados por falta de tiempo y/o recursos. Por tanto, su resolución acaba siendo mediante métodos menos eficientes que resultan en formas de trabajo con condiciones sustancialmente mejorables. Por este motivo, en esta charla, estudiantes de ingeniería química de la Universidad de Alicante realizarán una introducción visual a conceptos de optimización, presentarán Pyomo y mostrarán la resolución de casos de estudio de diferentes industrias mediante este lenguaje de modelado algebraico desarrollado en Python.
Optimizacion con Python (Pyomo vs GAMS vs AMPL)CAChemE
https://www.youtube.com/watch?v=LfBGGTUdbXU
La optimización o programación matemática mediante lenguajes de modelado algebraico ---comúnmente GAMS, AMPL y AIMMS--- es utilizada en la industria para la resolución de diferentes problemas que van desde la selección óptima de equipos y recursos a la gestión logística de una empresa. Pyomo es un paquete de software de código abierto ---licenciado bajo BSD por Sandia National Laboratories, USA--- desarrollado en Python, y que soporta un conjunto diverso de capacidades de optimización para la formulación y el análisis de modelos de optimización. En particular, Pyomo permite el modelado de problemas tipo LP, QP, NP, MILP, MINLP, MISP entre otros y se comunica con los principales solvers comerciales, gratuitos y/o libres, así como la plataforma ofrecida por NEOS server. La resolución mediante métodos de optimización ---comunes en un ámbito de investigación científica--- son a menudo desconocidos en la industria o bien delegados por falta de tiempo y/o recursos. Por tanto, su resolución acaba siendo mediante métodos menos eficientes que resultan en formas de trabajo con condiciones sustancialmente mejorables. Por este motivo, en esta charla, estudiantes de ingeniería química de la Universidad de Alicante realizarán una introducción visual a conceptos de optimización, presentarán Pyomo y mostrarán la resolución de casos de estudio de diferentes industrias mediante este lenguaje de modelado algebraico desarrollado en Python.
Ejemplo 1 ruta mas corta entre dos nodos especificospodersonico
Ejemplo 1 de ruta mas corta entre dos nodos específicos para la materia de optimización entera y dinamica
https://sites.google.com/site/redesoptientera
Maestría en Proyectos de Inversión (2010)
EPG UNPRG
marzo del 2011
Curso: Métodos cuantitativos II
Docente: Ing. Gonzalo Cuadros Herrera
Integrantes:
Eitam Aguirre Gonzalez
Hector Barba Nanfuñay
Marcos Nanfuñay Minguillo
Emilio Rodriguez Carlos
Consultas: hector_abn@msn.com
Lambayeque - Peru
El modelo de transporte es un caso específico de programación lineal, uno de los temas que se ve en la materia de Investigación de operaciones dentro de los métodos cuantitativos de apoyo a la toma de decisiones
CAPÍTULO 5. LA COMPETENCIA PERFECTA
I. Clases de mercados
II. Las condiciones de la competencia perfecta
III. ¿Cómo toman sus decisiones de producción en el corto plazo las empresas precio-aceptantes?
IV. La función de oferta y el excedente del productor
V. La curva de oferta de la industria
VI. El equilibrio a largo plazo en los mercados competitivos
VII. La eficiencia de un mercado competitivo
El uso de Python en la Ingenieria Química - Charla CompletaCAChemE
Diapositivas para la charla completa:
El uso de Python en Ingeniería Química - PyConES 2013
Video en: http://www.youtube.com/watch?v=AGGaqjn9GuI
En la conferencia de Python nacional (PyConES) que se celebró en Madrid se propuso la introducción teórica y resolución de ejemplos mediante Python de problemas clásicos presentes en ingenierías.
La resolución de ecuaciones diferenciales parciales (EDPs) mediante métodos numéricos permite obtener soluciones a problemas típicos presentes en diferentes fenómenos físicos como la propagación del sonido o del calor, la electrostática, la electrodinámica, la dinámica de fluidos, la elasticidad, etc.
Programas de modelado algebraico permiten la resolución de diferentes problemas que van desde la selección óptima de equipos y recursos en sector industrial químico, a la gestión logística de una empresa genérica.
Resolución de ecuaciones EDO (ecuación diferencial ordinaria) para el diseño de reactores químicos.
Se introducen así Python y sus librerías con el objetivo de mostrar su potencial actual.
Ejemplo 1 ruta mas corta entre dos nodos especificospodersonico
Ejemplo 1 de ruta mas corta entre dos nodos específicos para la materia de optimización entera y dinamica
https://sites.google.com/site/redesoptientera
Maestría en Proyectos de Inversión (2010)
EPG UNPRG
marzo del 2011
Curso: Métodos cuantitativos II
Docente: Ing. Gonzalo Cuadros Herrera
Integrantes:
Eitam Aguirre Gonzalez
Hector Barba Nanfuñay
Marcos Nanfuñay Minguillo
Emilio Rodriguez Carlos
Consultas: hector_abn@msn.com
Lambayeque - Peru
El modelo de transporte es un caso específico de programación lineal, uno de los temas que se ve en la materia de Investigación de operaciones dentro de los métodos cuantitativos de apoyo a la toma de decisiones
CAPÍTULO 5. LA COMPETENCIA PERFECTA
I. Clases de mercados
II. Las condiciones de la competencia perfecta
III. ¿Cómo toman sus decisiones de producción en el corto plazo las empresas precio-aceptantes?
IV. La función de oferta y el excedente del productor
V. La curva de oferta de la industria
VI. El equilibrio a largo plazo en los mercados competitivos
VII. La eficiencia de un mercado competitivo
El uso de Python en la Ingenieria Química - Charla CompletaCAChemE
Diapositivas para la charla completa:
El uso de Python en Ingeniería Química - PyConES 2013
Video en: http://www.youtube.com/watch?v=AGGaqjn9GuI
En la conferencia de Python nacional (PyConES) que se celebró en Madrid se propuso la introducción teórica y resolución de ejemplos mediante Python de problemas clásicos presentes en ingenierías.
La resolución de ecuaciones diferenciales parciales (EDPs) mediante métodos numéricos permite obtener soluciones a problemas típicos presentes en diferentes fenómenos físicos como la propagación del sonido o del calor, la electrostática, la electrodinámica, la dinámica de fluidos, la elasticidad, etc.
Programas de modelado algebraico permiten la resolución de diferentes problemas que van desde la selección óptima de equipos y recursos en sector industrial químico, a la gestión logística de una empresa genérica.
Resolución de ecuaciones EDO (ecuación diferencial ordinaria) para el diseño de reactores químicos.
Se introducen así Python y sus librerías con el objetivo de mostrar su potencial actual.
Calidad de código en Chamilo: Behat, Travis-CI y Scrutinizer-CIYannick Warnier
En esta presentación, se muestran ejemplos de los esfuerzos realizados y de las herramientas usadas para mejorar la calidad del código de Chamilo (en particular a partir de la versión 1.11)
Simulation of Chemical Rectors - Introduction to chemical process simulators ...CAChemE
Learn the fundamentals of any chemical process simulator software by means of free and open source software as an alternative to Aspen, Aspen HYSYS, etc. We will be using DWSIM (open source and free) and COCO Simulator (freeware) for this course. Material is licensed under CC BY-NC-SA 3.0.
You can find more learning material for chemical engineers in http://CAChemE.org
Introduction to free and open source Chemical Process Simulators - (DWSIM & C...CAChemE
Learn the fundamentals of any chemical process simulator software by means of free and open source software as an alternative to Aspen, Aspen HYSYS, etc. We will be using DWSIM (open source and free) and COCO Simulator (freeware) for this course. Material is licensed under CC BY-NC-SA 3.0.
You can find more learning material for chemical engineers in http://CAChemE.org
TAGs: chemical , process , simulator , engineering , coco , dwsim , hysys , aspen , prosim , theory, software, free, open, source, flowsheet, course
Simulador de reactores químicos - COCO Simulator - FreeCAChemE
Quinta sesión del curso de iniciación a la simulación de procesos químicos con COCO Simulator y ChemSep
COCO Simulator
Simulación de reactores químicos con COCO (CORN+COUSCUS)
Reactor de conversión fija
Reactor de Flujo Pistón (RFP) con COCO
Producción de etilenglicol
Reactor contínuo de tanque agitado (RCTA) con COCO
S4 - Process/product optimization using design of experiments and response su...CAChemE
Session 3 – Central composite designs, second order models, ANOVA, blocking, qualitative factors
An intensive practical course mainly for PhD-students on the use of designs of experiments (DOE) and response surface methodology (RSM) for optimization problems. The course covers relevant background, nomenclature and general theory of DOE and RSM modelling for factorial and optimisation designs in addition to practical exercises in Matlab. Due to time limitations, the course concentrates on linear and quadratic models on the k≤3 design dimension. This course is an ideal starting point for every experimental engineering wanting to work effectively, extract maximal information and predict the future behaviour of their system.
Mikko Mäkelä (DSc, Tech) is a postdoctoral fellow at the Swedish University of Agricultural Sciences in Umeå, Sweden and is currently visiting the Department of Chemical Engineering at the University of Alicante. He is working in close cooperation with Paul Geladi, Professor of Chemometrics, and using DOE and RSM for process optimization mainly for the valorization of industrial wastes in laboratory and pilot scales.”
Schedule and details:
The course took place at the University of Alicante and would not had been possible without the support of the Instituto Universitario de Ingeniería de Procesos Químicos.
S3 - Process product optimization design experiments response surface methodo...CAChemE
Session 3/4 – Central composite designs, second order models, ANOVA, blocking, qualitative factors
An intensive practical course mainly for PhD-students on the use of designs of experiments (DOE) and response surface methodology (RSM) for optimization problems. The course covers relevant background, nomenclature and general theory of DOE and RSM modelling for factorial and optimisation designs in addition to practical exercises in Matlab. Due to time limitations, the course concentrates on linear and quadratic models on the k≤3 design dimension. This course is an ideal starting point for every experimental engineering wanting to work effectively, extract maximal information and predict the future behaviour of their system.
Mikko Mäkelä (DSc, Tech) is a postdoctoral fellow at the Swedish University of Agricultural Sciences in Umeå, Sweden and is currently visiting the Department of Chemical Engineering at the University of Alicante. He is working in close cooperation with Paul Geladi, Professor of Chemometrics, and using DOE and RSM for process optimization mainly for the valorization of industrial wastes in laboratory and pilot scales.”
The course took place at the University of Alicante and would not had been possible without the support of the Instituto Universitario de Ingeniería de Procesos Químicos.
S2 - Process product optimization using design experiments and response surfa...CAChemE
An intensive practical course mainly for PhD-students on the use of designs of experiments (DOE) and response surface methodology (RSM) for optimization problems. The course covers relevant background, nomenclature and general theory of DOE and RSM modelling for factorial and optimisation designs in addition to practical exercises in Matlab. Due to time limitations, the course concentrates on linear and quadratic models on the k≤3 design dimension. This course is an ideal starting point for every experimental engineering wanting to work effectively, extract maximal information and predict the future behaviour of their system.
Mikko Mäkelä (DSc, Tech) is a postdoctoral fellow at the Swedish University of Agricultural Sciences in Umeå, Sweden and is currently visiting the Department of Chemical Engineering at the University of Alicante. He is working in close cooperation with Paul Geladi, Professor of Chemometrics, and using DOE and RSM for process optimization mainly for the valorization of industrial wastes in laboratory and pilot scales.”
S1 - Process product optimization using design experiments and response surfa...CAChemE
An intensive practical course mainly for PhD-students on the use of designs of experiments (DOE) and response surface methodology (RSM) for optimization problems. The course covers relevant background, nomenclature and general theory of DOE and RSM modelling for factorial and optimisation designs in addition to practical exercises in Matlab. Due to time limitations, the course concentrates on linear and quadratic models on the k≤3 design dimension. This course is an ideal starting point for every experimental engineering wanting to work effectively, extract maximal information and predict the future behaviour of their system.
Mikko Mäkelä (DSc, Tech) is a postdoctoral fellow at the Swedish University of Agricultural Sciences in Umeå, Sweden and is currently visiting the Department of Chemical Engineering at the University of Alicante. He is working in close cooperation with Paul Geladi, Professor of Chemometrics, and using DOE and RSM for process optimization mainly for the valorization of industrial wastes in laboratory and pilot scales.”
Python en ciencia e ingenieria: lecciones aprendidasCAChemE
¿Python científico? Este es un resumen de experiencias por parte de alumnos de ingeniería química que empezaron con Python.
¡Python visto con los ojos de un novato!
http://CAChemE.org
Simulación de columnas de destilación multicomponente con COCO+ChemSep (alter...CAChemE
COCO Simulator en combinación con ChemSep permite la simulación de procesos químicos de forma gratuita y se presenta como alternativa a Aspen y ChemCAD. Este curso presencial mostrará su descarga e instalación así como la resolución de ejemplos de menor a mayor grado de complejidad.
Método McCabe-Thiele colmuna destilación - Curso gratutito de simulación de p...CAChemE
COCO Simulator en combinación con ChemSep permite la simulación de procesos químicos de forma gratuita y se presenta como alternativa a Aspen y ChemCAD. Este curso presencial mostrará su descarga e instalación así como la resolución de ejemplos de menor a mayor grado de complejidad.
Curso inciación a COCO Simulator y ChemSep - Simulación de procesos químicos ...CAChemE
COCO Simulator en combinación con ChemSep permite la simulación de procesos químicos de forma gratuita y se presenta como alternativa a Aspen y ChemCAD. Este curso presencial mostrará su descarga e instalación así como la resolución de ejemplos de menor a mayor grado de complejidad.
Cómo hacer una búsqueda bibliográfica en bases de datos científicas (Scopus y...CAChemE
Aprende a buscar artículos (papers) en bases de datos científicas. Se realizará un ejemplo de búsqueda genérica y resultados en Scopus y Web of Science (WOK). Por último se dan algunos consejos a aquellos que se inician en invesitigación.
Este material ha sido creado con motivo de la asignatura de "Polímeros Conductores" impartida en el Máster de Materiales de la Universidad de Alicante.
Instalar Python 2.7 y 3 en Windows (Anaconda)CAChemE
¿Cómo instalar Python en Windows?
Diapositivas que explican cómo instalar paso a paso Python en Windows.
Nota: Están orientadas a científicos e ingenieros con poca experiencia en el entorno de windows.
Diseño de reactores químicos con Python - Ingeniería Química - PyConESCAChemE
Un reactor químico es un equipo en cuyo interior tiene lugar una reacción química, estando éste diseñado para maximizar la conversión y selectividad de la misma con el menor coste posible. El diseño de un reactor químico requiere conocimientos de termodinámica, cinética química, transferencia de masa y energía, así como de mecánica de fluidos; balances de materia y energía son necesarios. Por lo general se busca conocer el tamaño y tipo de reactor, así como el método de operación, además en base a los parámetros de diseño se espera poder predecir con cierta certidumbre la conducta de un reactor ante ciertas condiciones, por ejemplo un salto en escalón en la composición de entrada. En estas diapositivas indicamos las ecuaciones y la llamada al ODE necesario para resolverlo con Python.
Python para resolver EDPs - Ingeniería Química - PyConES 2013CAChemE
La resolución de ecuaciones diferenciales parciales (EDPs) mediante métodos numéricos permite obtener soluciones a problemas típicos presentes tanto en el ámbito ingenieril como científico. Tales problemas incluyen diferentes fenómenos físicos como propagación del sonido o del calor, la electrostática, la electrodinámica, la dinámica de fluidos, la elasticidad etc.
Existen numerosos paquetes de software para resolver EDPs, usando una variedad de idiomas y métodos numéricos. Muchos de ellos son propietarios y suponen un alto coste para las empresas y/o universidades. Además, la madurez de los mismos y su sencillez de uso pueden ocasionar efectos adversos convirtiendo estás herramientas en auténticas cajas negras.
En este marco, Python, en conjunto con sus librerías (NumPy, SciPy, FiPy), proporciona una herramienta perfecta que facilita el aprendizaje y desarrollo de la intuición necesarias para la resolución de estos problemas de forma libre y gratuita.
Un libro sin recetas, para la maestra y el maestro Fase 3.pdfsandradianelly
Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestra y el maestro Fase 3Un libro sin recetas, para la maestr
Instrucciones del procedimiento para la oferta y la gestión conjunta del proceso de admisión a los centros públicos de primer ciclo de educación infantil de Pamplona para el curso 2024-2025.
7. cacheme.org
• Jorge Bernabé
• Ingeniero Químico
• Universidad de Alicante
jorge.bernabe@cacheme.org
2. Programación matemática (optimización)
8. Programación matemática
cacheme.org
Optimización: ¿por qué es importante?
• Mejorar calidad de un producto
• Aumentar beneficios
• Reducir riesgos ambientales
• Reducir costes de producción
Interés
empresarial
IQ: - selección de equipos y recursos
- gestión logística
(cc) Sam Derbyshire
9. Optimización con Python en IQ
cacheme.org
• Optimización matemática
–
min f(x)
–
s.a g(x) = 0
h(x) ≤ 0
• LP, NLP, MILP, MINLP
FO
(c) Sriram Sankaranarayanan
10. AML (Algebraic modelling languages)
Software propietario:
●
AMPL (www.ampl.com) – Lenguaje
sencillo, pero complicado interactuar
–
●
●
GLPK – Alternativa libre a AMPL
para LP y MILP
GAMS (www.gams.com) – Se comunica
con solvers incluso para resolver MINP
AIMMS (www.aiims.com) – Diseñado
para resolver problemas de optimización
a gran escala y programación de
actividades.
cacheme.org
11. Optimización en Python
●
cacheme.org
Free/Open source:
–
CVXOPT – M.Andersen, J.Dahl, L.Vandenberghe
Notación matricial. Optimización convexa
–
PuLP – Trabaja con lenguaje Python. Muy buenos
resultados para LP o MIP. No resuelve NLP
–
OpenOpt – Más de 30 solvers para solucionar el
modelado, incluyendo NLP
–
Pyomo – Coopr. (Sandia National Laboratories, USA)
Permite la formulación de modelos algebraicos en el
lenguaje de programación en Python.
COmmon Optimization Python Repository
12. ¿Por qué Pyomo?
cacheme.org
• Se comunica directamente los principales solvers de AMPL,
GLPK, Gurobi, CPLEX, CBC y PICO.
• Programación en Python tipo AMPL/GAMS
• Open source (COIN-OR)
• Pyomo (Coopr) es un paquete gratuito con licencia BSD,
maduro y bien documentado (en migración a Python 3.x)
• Fácil instalación “pip install coopr”
• Adaptabilidad a modelado de problemas de IQ
coin-or.org
13. Problema I: Logística empresarial
cacheme.org
• Problema clásico en optimización
• LP
Se puede resolver con cualquier herramienta
• Fundamental en el mundo empresarial
• Minimización de coste en transporte
15. Problema I: Logística empresarial
• Plantas
• Mercados
cacheme.org
producción máxima
demanda mínima
• Coste de transporte por unidad:
Alicante
Castellón
Vitoria
Cádiz
Cáceres
PRODUCCIÓN
Madrid
4.17
4.10
3.48
6.37
2.96
250
Barcelona
5.16
2.69
5.35
11.14
9.10
200
Almería
2.95
5.42
9.10
3.80
6.47
300
La Coruña
10.26
10.19
6.56
10.65
6.85
300
DEMANDA
150
150
100
150
175
-
16. Problema I: Logística empresarial
• Sentencia para importar pyomo
• Sentencia para definir el modelo, abstracto o concreto
cacheme.org
17. Problema I: Logística empresarial
• Definición de sets – series de datos
• Definición de parámetros – valores de los sets
• Definición de variables
cacheme.org
Sus valores en
archivo .dat
18. Problema I: Logística empresarial
cacheme.org
• Definición de ecuaciones: def Nombre_Ecuación (modelo y
variables de las que depende)
• return: se escribe la ecuación
• Modelo.nombre: va a mostrar el valor de la ecuación al ejecutar el
programa
19. Problema I: Logística empresarial
• Definición de restricciones: Constraint (indica que la palabra
mercado se refiere a model.mercados)
cacheme.org
24. Problema II: Selección de equipos
cacheme.org
A
•
B
Superestructura (incluye todas las posibilidades)
C
25. Problema II: Selección de equipos
Aumento beneficio
Disminución beneficio
A
B
C
Coste uso reactor
• Objetivo: Seleccionar la óptima distribución de
reactores y bypass que aumentan el beneficio
cacheme.org
27. Problema II: Selección de equipos
cacheme.org
• Toma de decisiones – MILP
• Resolución de la parte disyuntiva del problema mediante
la reformulación de la envolvente convexa
• Disgregación de variables
YRi
¬ YRi
Wi,c1
Wi,c2
Ci = Cf i + CVi ·E i, A ∨ C i = Cf i + CVi ·E i, A ∨ C i = 0
7 ≤ E i, A ≤ 10 Si, j = 0
0 ≤ E i, A ≤ 7
y i = wi ,c1 + wi ,c 2
28. Problema II: Selección de equipos
cacheme.org
• Disyunciones para el bypass
by b
BY ≤ 10 ∨
b, j
¬ by b
BY =
b, j
0
• Balances de materia
F j = E1, j + E 2 , j + BY1, j
y1 + y2 + by1 = 1
38. Conclusiones
cacheme.org
•
Python junto a sus librerías permite la resolución de problemas típicos de
ingeniería y todo ello en un mismo lenguaje-entorno.
•
Python permite centrarse en el algoritmo y no en la sintaxis del lenguaje. Es
la navaja suiza de los lenguajes permitiendo pasar a C en cualquier momento
que se necesite.
•
Es multiplataforma, libre y gratuito por lo que su adopción en universidades
y empresa es sencilla
•
Si se quiere una herramienta lo más compatible con MATLAB, Octave UPM
es otra opción interesante pero mantendrá sus mismas capacidades (y
limitaciones) técnicas.
•
Python es posiblemente la mejor opción como primer lenguaje de
programación en el ámbito de programación científica.