Reinaldo Enrique Hernandez RivasContributions to Real-time Optimization of Process Systems under Uncertainty | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ISBN: | 978-3-8440-8797-0 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Series: | Schriftenreihe des Lehrstuhls für Systemdynamik und Prozessführung Herausgeber: Prof. Dr.-Ing. Sebastian Engell Dortmund | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Volume: | 2022,3 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Keywords: | Real-time Optimization; Advanced Process Control; Process Optimization | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Type of publication: | Thesis | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Language: | English | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Pages: | 262 pages | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Figures: | 87 figures | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Weight: | 389 g | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Format: | 21 x 14,8 cm | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Binding: | Paperback | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Price: | 49,80 € / 62,30 SFr | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Published: | October 2022 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Buy: | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
DOI: | 10.2370/9783844087970 (Online document) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Download: | Available PDF-Files for this title: You need the Adobe Reader, to open the files. Here you get help and information, for the download. These files are not printable.
User settings for registered users You can change your address here or download your paid documents again.
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Recommendation: | You want to recommend this title? | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Review copy: | Here you can order a review copy. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Link: | You want to link this page? Click here. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Export citations: |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Abstract: | Real-time Optimization (RTO) has become the standard approach for improving plant performance in many petrochemical plants. In RTO, usually a first principle-based steady-state process model is used to formulate and solve a model-based optimization problem to compute the optimal operating conditions which maximize the economic performance of the plant while satisfying safety, process, and environmental constraints. However, despite its proclaimed benefits, the implementation of model-based online optimization is still limited to relatively few cases. One of the main reasons is the issue of model-plant mismatch: By using an inaccurate model, the computed operating point will be suboptimal and, in the worst scenario, the constraints can be violated. This work attempts to overcome some of the difficulties that the process industry is currently facing in the deployment of RTO with inaccurate models. This contribution builds on the main idea of iterative correction of the nominal optimization problem with the estimated plant gradients according to the principle of Modifier Adaptation (MA) algorithm and provides several methodological contributions to overcome some of its limitations. First, trust-region optimization is combined with the traditional MA approach with the goal of ensuring convergence to the plant optimum under relatively mild assumptions regarding the properties of the available model. Second, a new algorithm is presented for those cases where in addition to model uncertainties, the plant measurements are contaminated with significant levels of noise. Third, two approaches to fast RTO are investigated to combine dynamic information with the available process model resulting in a faster convergence to the plant optimum. Experimental results in a miniplant for |