NOTAS

LA INVESTIGACION OPERATIVA EN LA INDUSTRIA

QUIMICA

S. Rios

Recopilamos en este articulo una serie de notas tomadas para dar varias
conferencias en Centros interesados en este tema. No tienen, pues, el ca-
rricter de un articulo exhaustivo ni propiamente did/tctico.

1. La programaci6n lineal

Las actividades de la Irtvestigacidn Operativa en la industria quimica

empezaron en la Petroqulmica. En particular atrajeron la atencidn los 6xi-
tos de la programaci6n lineal en los problemas de mezclas para obtener
gasolinas de caracteristicas fijadas.

He aqui un problema tlpico de mezclas cuyo tratamiento por progra-

maci6n lineal es [Link].

Una fkbrica de fertilizantes dis pondr/L el rues pr6ximo de 1.000 tm. de

nitratos, 1.800 de fosfatos y 1.200 de .potasa. Trata de mezclar estos in-
gredientes junto [Link] materias inertes de las que dispone en cantidad ili-
mitada.

Para tener el [Link] beneficio trata de obtener tres mezclas son de

las siguientes composiciones:

5-10-5; 5-10-10; 10-I0-I0

(proporcidn de nitratos, fosfatos y potasas).

133
 Se dan los costes de los ingredientes:

Nitrato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.600 pts./tn.

Fosfato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.400 " /tn.
Potasa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.000 " /tn.
Inerte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300 " / t n .

Los precios de venta de las mezclas son:

5-10- 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.400 pts./tn.

5-10-10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.000 " ,/tn.
10-10-10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.600 " /tn.

Determinar el programa de fabricacidn de mayor rendimiento sabiendo

que la f&brica tiene el encargo de 6.000 tn. de 5-10-5 ,para el pr6ximo mes.

2. Optimaci6n d e u n p r o c e s o de p r o d u c c i 6 n

Supongamos una reaccidn qulmica industrial que se expresa en la for-

m a A + B + C + D = E + ..., en q u e A , B, C, D, son las materias
primas o ( " i n p u t s " ) y E el producto (','output") que interesa obtener. E1
problema de optimacign [Link] en determinar los niveles de los distintos
"factores de Ia reaccidn" (concerttracidn de los componentes, tiempo de reac-
cidn, temperatura, presi6n, etc.) para que la cantidad Z obtenida de E sea
mdtxima o ,para que sea mfnimo el costo unitario de produccidn, etc.

Corrientemente se introducen "relacior~es de condicidn" o "ligaduras"

como por ejemplo que la .pureza del producto no sea inferior a un cierto
Iimite.

L a idea tradici'onal de que el m e j o r modo de estudiar la influencia de

un factor sobre el resultado de una reaccidn, es dejar fijos los demos fac-
tores y hacer sucesivas expeviencias dando valores diversos al factor cuya
influencia se trata de co',ocer, se considera hoy completamente anticuada e
ineficiente incluso a la escala de laboratorios.

Ademdts, en las plantas piloto y a escala industrial es un hecho corrien-

te la gran variabilidad de los factores que influyen en los rendimientos, ca-
Iidades, etc. y resulta ilusoria la posibilidad de fijar todos los factores salvo

134
uno a fin de determinar la influencia del mismo. Por otra parte, frecuen-
temente las interacciones entre los factores son importantes y por este ca-
mino no es posible determinarlas.

Una idea intuitiva del efecto de las interacciones nos la da el gr~,fico

(f~gura 1). Las cotas anotadas en los puntos dan los rendimientos de un
proceso al variar la temperatura fijada la concentracidn.

50

40 6O

c, q
FIGURA 1

Si se hace un ensayo en las concticiones (c~, T1), @1, T2) y se obtie~en

rendimientos crecientes: 40, 50 y se hace el ensayo (cz, T1) y resulta un
rendimiento 60, superior tambi6n al 40, entonces parece natural esperar
que el rendimiento correspondiente a @2, T~) sea superior a 60. Sin em-
bargo puede ~currir que, a causa de la interaccidn de los faetores, no sea
asl. Se ve, pues, el interns de establecer m6todos que permitan medir estas
interacciones.

La idea de los [Link] factortales, introducidos por Fisher, es exac-

tamente la contraria del experimento cl~sico que s61o hace variar un factor.
E n los experimentos factoriales se consideran todas las combinaciones po-
sibles de los factores experimentales a varios niveles fijados, simult~.nea-
mente. Estos experimentos adecuadamente planificados, permiten mediante
el m6todo de an~lisis de la varianza separar en Ict varianza o med~da de
la variabilidad de los res~lbados, la parte asi~Tnable a cada ~no de tos ~a'c-
tores est**dlados, de l~ parte debida a los factores aIeatorlos. Ademdx dan
una medida del efecto medio de carla factor" y de los efectos de la~r com-
binaciones de factores.

]35
 A h o r a bien, el desarrollo de los e:~perimentos factoriales (*), resulta fre-
cuentemente costoso porque el nflmero de factores experimentales tiende a
ser grande.

E n el caso de existir una relacidn lineal entre cada factor y su efecto

basta tomar cada factor a dos nivetes y el nflmero de tratamientos ser~i 2I;
pero si la relacidn no es lineal son necesarios por lo menos tres o cuatro
niveles y el nflmero de tratamientos ser/t 4 I.

Como se ve, con este esquema cl/tsico de Fisher, flnicamente se com-

paran diversos niveles de factores; y puede llevar a un considerable nflmero
de experiencias, ya clue, pot ejempIo, si los factores son cinco tendremos
que hacer 42 = 1.024 experimentos.

Aunque las experiencias industriales sean generalmente de mucha menor

duracidn que las agricolas, en que tuvieron su origen estos m&odos, tales
nfimeros son evidentemente muy grandes y ello ha llevado a un nuevo plan-
teo y tratamiento del probtema.

Se define la supcrficie de respuesta en un proceso qufmico como Ia re-

presentaci6n de la funci6n

= f( I, ...,

que relaciona los niveles de los factores que designamos por ~1, ~2, ..., ~
que influyen en el rendimiento ~. E n realidad hay un error experimental
en Y/ y, por tanto, Io que se obtiene como consecuencia de cada observacidn
no es ~/ sino y = ~/ + ~.

Se trata, en primer lugar, de encontrar los niveles de ~x, ..., ~e que

dan el mejor valor para ~. Interesa, adem~s, conocer las caracteristicas de
Ia superficie de respuesta en las proximidades del 6ptimo, de modo que
podamos modificar las operaciones si eambian ciertas condiciones, como
eI coste de los cuerpos que reaccionan.

Dos representaeiones gr~icas posi'bles p a r a la superficie de respuesta

en el caso de dos variables ~ = ~ ( ~ 1 , ~2) son en tres dimensiones median-

(*) Ver, por ejemplo, S. Rios: Mdtodos estadCsticos, Madrid, 1968.

136
te la representacidn cartesiana y en dos dimensiones mediante 1as lineas
de nivel o lir~eas de igual respuesta.

lO
~EI~PO

FIGIYRA 2

Si hay tres factores ~ = ~(~1, ~2, ~3) Se puede tener esta segunda
representacidn con superficies de igual respuesta, represenatdas en el es-
pacio de tres dimensiones, pero no la primera que requerir{a un espacio
de cuatro dimensiones.

C0 N CENT#MCION

TI E MPO

FIGURA

137
 %

T E M P K R A TURA

FZGURA 4

En el caso de una sola variable, para obtener la relacidn funcional "r2 =

= ~ ( x l ) se obtienen valores

Xlz, ylz~

J 9

Xznj yln,

y se ajusta por el mfitodo chlsico de minimos cuadrdaos un polinomio

Y = 60 + ~1xl + ... -F ~m-rP. Des.pu6s se deriva y se puede obtener el
m~.ximo.

F'.n el caso de dos o m/ts factores variables puede procederse conside-

rando un reticulo y calculando las respuestas y ajustando un polinomio de
varias variables. Pero ya para dos factores el m~todo puede ser pr~ctica-
mente inaplicable por el gran nfimero de experimentos que puede requerir.

La idea del mfitodo de Box-Wilson (19) es partir de las condiciones me-

jores conocidas del experimento e ir ajustando planos o superficies de se-
gundo orden a peque~as zonas sucesivas para ir mejorando las condicion,es

I38
de Ia reaccidn en busca del d,ptimo y siguiendo una linea de maxima pen-
diente en la superficie de respuesta.

Para dar una mayor sencillez consideramos s61o dos variables ~1, ~2.
No es necesario cubrir todo el campo sino sdlo aquella parte que va resul-
tartdo fitil. [Link] d.e un punto (~10, ~2o) y en una regidn pequefra en
torno de (~,o, ~2o) la funcidn desarrollada en serie de Taylor seri

donde

,260 ~ 1~ -%'1 ~ j X2
S~ S~

14--

(b 12 85
6
tJ
RI
Q:
I,.

iO
(j

A'o ,,Do
T E MPE,~,,~ 7URA
17IGURA

139
en que S~, s son unidades de escala convenientes, y las ~ son mfiltiplos
convenientes de las derivadas parciales.

Un disefio de primer orden consiste en tomar los puntos (2), (3), (4),
(5), con [Link] ~0 -+- S~, ~2o • S~.

Las variables

5 - - & o --
X 1

toman los valores ___ 1, +_ I.

~0 79 78 ',\/\

FIGURA 6

Si Ilamamos las respuestas y~, y.~, ..., y5 y designamos los esfimadores

de i3o, ~.., ... por bo, b, ... s e v e que el polinomio de aproximaci6n (mL
nimo cuadrado) es
,'X,

y = bo + blxl + b~.x~

140
donde

"~ y3 -[- y s - - y2 - - y~ y~ 2_ y ~ _ _ y 2 _ _ y a
b0 = y, bl = b2 - -
4 ' 4

An/tlogamente se pueden tenor estimaciones si se necesita urea aproxi-

macidn de segundo orden.

L a segunda parte del m6todo se aplica una vez que se ha llegado a una
zona relativamente estable. N o siempre el m~ximo ser~ en la forma cl~tsica,
sino que podr5, presentarse un minimax o un surco.

En este caso Io indicado es hacer en Ia regi6n estacionaria un ajuste

pot un polinomio de grado m a y o r que 1.

H a s t a aqui t endriamos lo que es el m~todo Box-Wilson a escala de la.

boratorio o en planta piloto.

a) s /.,~Z3ORATORIO b) ESC~LOH /NDI./ST,Q/,4L

28

25

24-

22
6O
~ 65

60

I l
j a s
FIGURA 7

]Zs bien sabido que las condiciones 6ptimas er~ laboratorio no coinciden
con las condiciones 6ptimas en planta.

La idea es tomar las de laboratorio como punto de partida para aplicar

el llamado mfitodo evolutivo o m~todo de operaciones evolutivas ( E V O P )
(7, 9, 10, 12).

141
 La idea fundamental del m6todo es que es casi siempre ineficiente con-
siderar que un proceso s61o produce producto material. Es mfi.s preciso
considerar que un proceso debe dar producto -~- informacidn para mejorar
el producto.

Esta t6cnica no es un sustitutivo de la investigacidn fundamental de los

procesos. Sin embargo, los efectos descubiertos por la aplicacidn de las
operaciones evolutivas, particularmente aquellas que son de tipo inesperado,
ayudan a indicar nuevas [Link] donde la investigacidn [Link] puede ser fiti:l.
Aunque el m6todo sea ideado para la industria quimica se puede aplicar
a otras.

La idea pr~ctica del m6todo es:

1. ~ variar las condiciones de la operacidn

2. ~ seleccionar las [Link] favorables.

Parece un punto de vista corriente en la producci6n industrial definir

unas condiciones 6ptimas del proceso y repetir siempre @stas.

ILn muchos procesos este m6todo no tiene mucho sentido por las gran-
des variaciones que se observan, afin cuando se mantienen [Link]
constantes muchas condiciones del proceso. Por otra parte al utilizar nue-
vos lotes de materias primas hay que ir mejorando el proceso.

ILl m6todo de operc~do,ws e,vohe,ti,vas trata de obtener condiciones que

van variando lentamente, Io suficientemente poco para que no se pueda de-
cir que se est,% haciendo experimentaci6.n en la planta y haya que tenet
en cuenta las posibles consecuencias desfavorables, pero lo suficientemente
amplios y frecuentes para que nos suministren una informaci6n interesante
y aplicable a la mejora continua del proceso.

Los efectos de los cambios deliberados en las variables pueden venir

enmascarados pot variaciones grandes que corrientemente se presentan en
los resultados de la plan ta. Sin embargo, puesto que la producci6n continfia
de una manera sistem~tica, los efectos de los cambios debidos a un ciclo
de variantes que no tiene efectos significativos sobre la producci6n y me.
diante la repetici6n del cual se puede detectar el efecto de pequefios cambios.

142
 Operaciones evolutivas constituyen un m&odo permanente de dirigir la
planta y no requiere, por consiguiertte, facilidades y concesiones especiales.

El objetivo final es disponer de un tablero de informacidn en que el

director pueda ver cual es la evolucidn del proceso y cual es el peso de
evidencia existente para mover el centro del esquema de variante hacia un
nuevo punto, qu6 tipos de cambio sorL indeseables por producir material
de inferior calidad, cual est,:t siendo el coste del proceso, etc.

Para hacer realmente efectivo el proceso se necesita tambi~n crear una

atmdsfera de conocimiento e inter cambio de ideas entre los qufmicos co-
nocedores del proceso y los estadlsticos. Es corriente formar un comigd del
preceso evobtt~o formado 9or un estadlstico y uno o m/ts quimicos o in-
genieros, de acuerdo con d siguiente esquema:

TABLERODE INFI]RMACION

L
I
COMITE DE
EVOLUCION

FIGURA 8

Supongamos que las mejoras introducidas permiten ahorrar dinero du-

rante p aries despufis que son descubiertas y que el coste de mantenimiento
del sistema E V O P origina un coste de C ptas. por kilo de producto. En-
tonces la cuestidn de si en un cierto momento la operacidn evolutiva de-
berla ser cominuada, resulta de comparar la tasa de mejora r que se es-
pera sea producida por el proceso evolutivo (medida en kgs. pot afio) con
la tasa c" ~tica de mejora ro dada p o r ro = C/p.

143
 Si es t el nfimero de afios que se aplirarA el esquema evolutivo para
producir al final una mejora de rt pts. por kg. y e s k = nflmero de kgs.
producidos por afio, en p = afios, el ahorro serA rtkp.

D u r a m e este tiempo se fabricarAn kt kg. y si es c el coste del sistema

por kg. el gasto total serA ckt. Luego el sistema se debe mantener en tanto
que ckt < rtkp, es decir, si c < rp.

3. Procesos poliet~picos

Frecuentemente en la ingenierla qulmica se encuentran procesos de de-

cisidn poliet@icos, en el espacio o en el tiempo, como consecuencia de ins-
talaciones complejas en que los productos iniciales van experimentando su-
cesivas operaciorLes.

Son entonces especialmente importantes los m6todos de la programacidn

dingmica que tratan de sacar partido de Ia estructura ,polietApica de la si-
tuacidn.

Antes de enunciar et [Link] fundamental de optimacidn, vamos a con-

siderar ur~ sencillo problema de asignacidn, con el fin de hacer fAcilmente
comprensible las t6cnicas usadas en la programacidn dinAmica.

Se dispone de una cierta cantidad x de un recurso econdmico (diner%

hombres, mAquinas, etc.) que pueden a'plicarse a distintas actividades, I, 2,

Las cantidades del r~curso asignadas a los distintos tipos y actividades

representadas por x, (i - - I, 2, ..., n) son tales que

2
/,=1

y da una respnesta o yananci~ con los siguientes supuestos:

a) las respuestas de las distintas actividades se pueden medir en una

unidad comfin,

144
 b) la respuesta de una actividad es independiente de 1as asignaciones a
otras,

c) la respuesta total se puede obtener como suma de las parciales.

Se supone sue a dicha respuesta se .puede asociar una funcidn de utili-

dad, g,(.q), (i = 1, 2, ..., n) que mide la deJpendencia de la respuesta de cada
actividad respecto a Ia cantidad de recurso asignado cuva representaci6n
gr~.fica es an~.loga a la de la figura.

FIGURA 9

Se desea hacer mfixima la suma de utilidades obtenida al asignar a cada

actividad i(i = 1, 2, ..., n) una cantidad del recurso econdmico

Wt ."C'~ ~--- X

El modelo [Link] asociado a este p r o b l e m a serfa:

Maximizar :

con las condiciones:

x~ >~ 0 (i = 1, 2, ..., n)

145
 Vamos a explicar el principio de [Link] de Bellman a partir de un
problema m u y sencilIo:

Sea maximizar :

u = g1(.~i) -t- ~ (x,) + (.~,~) if]

con las condiciones:

-~'1 + x~ + x3 = x [2]

.~, >~ 0 (~ = I, 2, 3) [3]

Geomfitricamente, el problema se reduce a determinar el [Link] de u

cuando el vector v de [Link] (x~, ~':2, .*:3) est~ en el plan<) definido
por [21.

FIGURA 10

P a r a determinarlo procederemos de la siguiente manera:

a) Se fija x3(.r3 ~ ~3) y se determina el mfiximo cuando v est'. en

la recta de interseccidn del plano dado [2] con xa ~ ~a.

146
 b) Puesto que el valor 6ptimo obtenido en a) es una flmcidn de ~a,
se hace variar ~:~ y se halla el m:iximo, respecto de ~a de [1].

Simbdlicamente :

f~(.~-) = nl&x [~1(.~'1) "-1--(r --]-- (d/:}(.}~ =

.rl + W2 + -$'a=W
.r~>O

m&x [ m~.x

[
+ ] =

m/tx [g.s(~a)-1-fa(.v- ~a)]

0~< ~ < . r

siendo

infix [j,(x, + j~(.~)]

.v~ + :c_~= . r - ~,;
x~>O

Generalizando, el problema podria enunciarse:

Maximizar :

[4]

con las condiciones:

[51
x~ ~> 0 i = (I, 2, ..., n)

147
10
y procediendo de manera an/doga al caso anterior resultaria:

E63

siendo

fn-l(~- G ) =
= mfix [gl(-vl)-t-.-. + gn-l(-v~-l)]
x~ + x 2 + ... + . r ~ - l = . ~ - - G
x~ > 0

habi6ndose obtenido asl el principio de optimaei6n de Belhnan, que enun-

ciamos en la siguente forma:

La polltica 5ptima para n variables es la que se obtiene tomando ta

n-s~ma variable como pardmetra y buscando el 5ptlmo respecto de este, su-
po~iendo quv en el con]unto de las resta',ntes n - - 1 variables se ha seg'Mdo
la pol#ica 6ptima

Podemos condensarlo en la forma siguiente:

Mhximo de la) (R, endimien• de

operaeidn global(,= Mfiximo al vaQla operaeidn n-si-4_ M~xima global en
en etapas con in-~ riar ~ . t m a c o n ingceso-- n ~ 1 etapas con
greso x. } (~. ingreso x - ~n.

Consideremos un proceso quimico consistente en un calentador, un reac-

tor y una torre de destilacidn conectados en serie. Se desea deter minar la
temperatura 6ptima en el calentador, la tasa 6ptima en el reactor y la can-
tidad 6ptima obtenida en la torre de destilacidn. Estas decisiones son inter-
dependientes. Sin embargo, fijada una temperatura y una tasa de reaccidn
la cantidad de destilaciSn debe ser 6ptima respecto de la salida del reactor.
Utilizando el princi~pio de Bellman podemos decir que la cantidad 6ptima
de la destilacidn .est~ determinada como una funcidn de las salidas del reac-
tor. Como r~o conocemos la temperatura 5ptima y tasa de reaccidn, la can-
tidad 6ptima de destilacidn debe ser determinada para todas las salidas
posibles del reactor. Con tinuando [Link] podemos decir que cual-
quiera que sea la temperatura fijada, la tasa del reactor y cantidad de des-
tilacidn debe ser 6,ptima respecto al flujo del calentador. Para escoger la

148
mejor tasa de reaccidn como una funcldn del flujo deI calentador, debemos
tener en cuenta la dependencia de la torre de destilacidn respecto de la
salida del reactor. Pero conocemos ya la respuesta 6pthna de la torre como
una funcidn de la salida del reactor.

Por consiguiente la tasa 6ptima de la reaccidn puede determinarse como

una funcidn del ingreso del reactor, optimando el reactor conjuntamente
con la respuesta 6ptima de la torre como una funcidn de Ia salida del
reactor.

Por consiguiente, la tasa 6ptima de la reaccidn puede determinarse como

una funcidn de las decisiones .preeedentes. Lo primero es determinar la can-
tidad de destilaci6n como una funcidn de Ia salida del reactor. Entonces
la tasa dptima de reaccidn se establece como una funcidn del ingreso del
reactor.

Finalmente la temperatura 6ptima se determina como una funcidn del

ingreso del calentador.

Otros problemas de decisidn poliet~pica en la industria quimica son:

a) Distribucidn ,d'e ingredientes a un sistema multireactor.

b) Minimizacidn de coste de bombeo para un sistema mfiltiple de

bombas.

c) Reemplazamiento de catalizadores.

d) Regeneraci6n de catalizadores.

e) Reemplazamiento de equipo.

En todos estos casos gs,(y~v) representa la respuesta o el coste de la

decisidn hecha en la etapa Ar y se ha de determinar experimentalmente, por
ejemplo, por el m&odo de Box-Wilson.

En sistemas de reactores qulmicos esta funcidn representa el beneficio

o el coste de tener una tasa de flujo y~.

149
 Como en la actualidad los computadores de gran velocidad y algoritmos
computacionales son utilizados corrientemente, las t&nicas de 6ptimacidn de
la Investigacidn Operativa, fueron adoptadas con buen 6xito, y aplicadas
por inffenieros quimicos en los procesos de ingenierla.

La distincidn entre Investigacidn Operativa y procesos de optimacidn

desde un punto de vista pragm~tico est~, no en las t&nicas utilizadas, sino
en la extensidn de los problemas acometidos y e n filtimo tfrmino de las
personas que hacen el estudio.

Los procesos de optimacidn, generalmente ejecutados por ingenieros qul-

micos y matem~ticos, est~n relacionados con la instalacidn de equipos y su
ejecucidn. Tanto el disefio 6ptimo como la utilizacidn eficiente de las uni-
dades de produccidn es principalisimo. Las relaciones entre producci6n y
otras actividades en la empresa son generahnente tomadas como fijas. Por
ejemplo, tin ;proceso de optimacidn generalmente supone un nivel fijo de
produccidn, independiente de consideraciones de mercado.

En particular, los ingenieros han reconocido r{~[Link] sus pro-

cesos poliet@icos son muy apropiados para su an~lisis y opfimacidn .pot
las t&nicas de programacidn dinitmica.

4. C o n t r o l del inventario

Estrechamente relacionado con el proceso de regulacidn de la produc-

ci6n est/L la determinacidn de los niveles 6ptimos de inventario para mate-
rias primas, materiales en procesos y stocks de productos terminados. Para
los procesos continuos, generalmente asociados con la industria quimica el
inventario tiene la funcidn de facilitar la produccidn, ya que tiene en cuenta
el aspecto de demanda irregular o estacional de productos terminados.

Muchos productos qulmicos s o n requeridos en volfimenes insuficientes

para justificar la produccidn continua. Las m~quinas necesitan a menudo
costosos lavados entre la pro,ducci6n de materiales diferentes. La determi-
naci6n de la extensidn del lote econdmico para minimizar la suma de los
diversos costes de puesta en marcha de la fabricacidr~ y tenerlos en exis-
tencia, ha sido especialmente una aplicacidn aprovechable de las t&nicas
simples de la Investigacidn Operativa.

150
5. Distribuci6n

La distribucidn se refiere al movimiento de los productos desde la planta

al cliente.

A causa de la concurrencia, un env[o r~ipido es una importante ventaja

competitivs y hace deseable localizar la planta prdxima a los clientes. Por
otra parte costos elevados para tener una planta eficiente tienden a imponer
grandes plantas prdximas a sitic~s en que el transporte de agua sea barato.
El contrapeso econdmico de estos objetivos en pugna es fundamental para
la industria.

Generalmente una solucidn de compromiso, aue comprende un gran al-

mac6n de la fatcoria es lo mgs econ6mico. Tal red de distribucidn implica
un complejo sistema de control de inventario. Algunos sistemas han sido
estudiados utilizando las t6cnicas Monte-Carlo simulacidn. A continuaci6n
vemos una aplicacidn de este m6todo a problemas de colas.

6. Simulaci6n aplicada a problemas d e colas y s t o c k s

Veamos un ejemplo de problemas de colas en el servicio de una serie

de tanques de una planta qu{mica.

t5

t0

70

rI I ( I I
10 ZO So 413 5O
TIEMPO DE CARGA
FIOUI~A 1 1

151
 Se tiene que realizar un nuevo proceso quimico en una serie de tanques.
E1 trabajo asociado con taI proceso consiste en vaciar y cargar cada tanque.
E1 vaciado se puede considerar instantAneo, pero cargar es un complejo de
operaciones manuales con una distribuci6n de tiempo de un tipo muy asi-
m6trico, conocida de o'ros proeesos anAlogos (representada en la figura 11).

Se ha propuesto s?-uar a un operario para cargar diez tanques en fila.

Cuando se enciende una luz debe de recorrer la ilia vaciando y llenando
los tanques como indica la tabla:

Tanque 1.a 2. a 32 4. a

Vaclo 0 h + t2
Cargado t~ h q- t~

La media de tiempos de reaccidn depende deI intervalo entre las sefia-

les luminosas sucesivas, i CuAI debe ser e1 intervaIo de tiempo entre Ias
sefiales para dar un tiempo medio de reaccidn requerido T ? i Q u 6 varia'cidn
alrededor de este tiem?o medio T puede esperarse?

Supongamos que el vaciado de la primera caldera se inicia en el instan-

te "c, tendremos la siguiente tabla:

Tanque I.a 2. a 3. a 4. a

Vaclo "~ @ t'i

Cargado 'g --~ t" 1 : q- t'l -Jr- t% z + t'~ + t% + t%

Los tiempos durante los que se ha efectuado la primera reaccidn han

sido :

Tanque I? 2. a 3. a

Tiempo % "@ t ' i - - t i - - t2 z -+- t'~ ~ t % - - t l - - t 2 - - t 3

reaccidn

152
 El valor medio det tiempo de reaccidn de un tanque es 1: - - t. P o r
ejemplo, para la segunda E(~: -t- #1 --- h - - t2), = ": - - t; luego si que-
remos que dicho tiempo sea T tomaremos "c = t -4- T.

Se trata ahora de vet si la dispersidn alrededor de dicho tiempo de

reaccidn es grande o pequefia. P a r a esto se trata de conoeer la distribucidn
de tiempo de reaccidn del conjunto de todos los tanques. Como la distri-
bucidn de tiempo de carga s61o se conoce de un modo empfrico hay que
aplicar el m&odo de Montecarlo.

La disposicidn de los c&lculos se indica en la tabla siguiente:

Muestras artificiales de servicios

Serie 1.a Vac. Serie 2. a Serie 3.a

Tanque
Vac. L!ena L1. Tr. Vac. LI. Tr.

1 0 13 0 7 ~13 0 5 -- 7
2 13 17 7 11 --I0 5 30 -- 6
3 17 35 11 16 --24 30 33 14
4 35 38 16 20 --22 33 42 13
5 38 42 20 24 --22 ~2 47 18
6 42 47 24 37 --23 47 58 lO
7 47 51 37 52 --14 58 67 6
8 51 54 52 57 -- 2 67 72 I0
9 54 57 57 70 0 72 75 2
10 57 76 70 80 6 75 81 -- 5

Restando la columna V (de la 2. a) de la Ll (de la 1.a) se obtiene la co-

lum,na Tr (de la 2. a) y sumando la constante ": tiene los tiempos de reaccidn.

Se obtuvieron 590 tiernpos de r eaccidn. La correspondiente eurva acu-

mulada se represent6 en la figura. Los limites 590 corresponden a I: - - 47,
":+18.

Supongamos que este recorrido de variacidn se considera excesivo. Un

modo de reducirlo es emplear dos hombres de servicio. Supongamos que

153
cuando aparece Ia serial un hombre comienza por la caldera I y otro por
la 6. Se obtiene entonc~s la curva de trazos en que los limites correspon-
dientes a 95 '5~ son "c - - 37 y "c -{- I1 que como se ve son m~ts estrechos.

-~-~0 Z*-20 "~+ 2 0

FIGURA I2

Un estudio pot este m~todo de simulacidn, [Link] por Aldredge (42),

se refiere a Ia Unidn Carbide que ex:porta m~s de 40 productos en tan-
ques desde sus f&bricas de Texas.

E1 objetivo del estudio rue determinar la capacidad 6ptima de alma-

cenaje en el almac4n de la planta y en el terminat de East Coast para eada
producto.

Se necesitaba almacenaje adecuado en la planta para asegurar:

Producto para ventas anormalmente a]tas.

b) Un minimo nfimero de falta de producci6n.

Suficiente stock de productos para

~) Cargar los compartimentos de tanques.

8) P~ealizar tas ventas directas o tocales.

"r) Suministrar los requerimientos de las plantas.

154
 En East Coast terminal se habia de tener en cuenta:

1. La cantidad de producto que puede ser recibido debia permitir sa-

tisfacer las ventas entre env[os.

2. Se pueden presentar ventas anormalmente altas.

3. Cada producto pueda ser completamente descargado al llegar el

tanque.

E1 prcblema rue establecer la capacidad de almacenaje que permitiria

inventario suficiente para satisfacer las anteriores condiciones y al mismo
tiempo hacer minima la inversi6n de capital.

Una tdcnica especialmente usada en Ia petroquimica es L P R S (linear

programing refi,nery simulation).

Se preparan balances com:pletos de los materiales existentes y se hacen

estimaciones anticipadas de beneficios mediante [Link] de costes de ma-
terias primas y de ingresos de ventas de productos. E1 ebjetvo es combinar
las materias primas y procesos para satisfacer las ventas y hater m~txima
la ganancia.

Cada mes se hacen previsiones de ventas para un trimestre.

Cada semana se hacen los planes de produccidn diaria para dos meses.

ActuaImente el m6todo (L P R S) permite preparar previsiones y 91a-

nes de produccidn [Link] con los datos de precios de los productos finales,
costes de ingredientes y capacidades de las distintas unidades de produccidn.

7. Otras aplicaciones

Otros trabajos importantes se refieren al empleo de los mftodos de tra-

yectoria critica ( P E R T , R A M P S , etc.) a la minimizacidn del tiempo o del
ceste de la realizacidn de un proyecto, a l a s areas de planeamiento de la
investigaci6n y desarrollo, presupuestos y setecci6n de proyectos al desarro-
llo de sistemas para evaluar los elementos t&nicos y econdmicos relativos
a proyectos de investigacidn, asf como para proveer bases para la progra-
macidn de decisiones.

155
 Uno de los modelos usados es la programacidn lineal para la asignacidn
de mano de obra limitada para las alternativas proyectadas de investigacidn.

En el desarrollo de ciertos [Link] o aplicaciones t6cnicas parece que

la teoria de colas tiene aplicacidn. Los proyectos son considerados como
las llegadas a muchos canales de servicios. Teniendo en cuenta que el valor
de los proyectos completos (esto es, los servicios) decrece con el paso del
tiempo, el problema es optimizar la disciplina de la cola y la configuracidn
del servicio.

Se han hecho aplicaciones de Ia estadistica bayesiana a los problemas

de decisidn de tipo comercial. Diversas empresas han estudiado problemas
de propaganda y promoci6n de ventas. Mediante el disefio de experimen-
tos han tratado de caracterizar las relaciones no lineales. Finalmente los
problemas de seleccidn de inversiones utilizando la teoria de la utilidad y
los procesos de decisidn estS.n siendo objeto de importantes aplicaciones en
los filtimos afios.

8. B e n e f i c i o s e c o n 6 m i c o s de las e m p r e s a s

Algunos ejemplos que se citan en la literatura son sensacionales. En la

industria quimica se cita un trabajo del Mellon Institutte of Industrial
Research so bre la regulacidn de los cam'bios en los productos abrasivos fa-
bricados por Ia Carborundum Company que supuso un atlorro inmediato, de
mgs de 120.000 ddlares anuales. Otro ejemplo en el estudio hecho en la
Monsanto Organic Chemical Division con 13 factorlas, fa~bricando m~s de
500 productos diferentes, mediante et cual se logr6 una mejora decisiva
en el coste de las manufacturas, en los servicios de los consumidores, en el
control de los inventarios, etc. Bien conocidas son, en fin, las aplicaciones
de la programaci6n lineal y teorla de juegos a los problemas de mezclas
que se presentan en las refinerias de petrdleos. Un trabajo realizado por
A. S. Manne de la Rand Corporation se tradujo en un ahorro anual de
132.900 para una sola refineria.

156
9. Bibliografia
1. G. E. F. Box & WILSON: "On the experimental attainment of optimum condi-
tions". Journal of the Royal Statistical Society, B 13, 145 (1951).

2. K. PENNYERUICK: "Operational Research and the Chemical Industry". Chem

Ind. Eng., 13 (jan. 3, 1959).

3. TRUMAN L. KOEHLER: "Evolutionary Operation". Chemical Eno'ineering Pro-

gress. 55, 10, 76-79 (octubre 1959).

4. G. E. P. Box & D. W. BEHNKEN: "A Class of second order rotatable desingns

derivable from [Link] of first order". Ann. Math. Star., 31, 838-864 (1960).

5. RUSSELLL. ACKOFF: A Sur of Operations Research presented at the Operations

Research Symposium, Univ. of Pennsylvania, Dec. 14, 1955.

6. G. E. P. Box: "Mtflt~factor [Link] of First Order". Biometrika, 33, 49-57

(I952).
7. G. E. P. Box: "Evolutionary Operation: A method for increasing industrial
productivity". Applied Statistics, 6, 2, 81-101 (1957).

8. H. \V. SCI~ULTZ: "Organization and Fnnctions of an Operations Analysis Group"

Che. Et~g. Progr., 53 (Jan. 1957).

9. G. F. P. Box & J. S. HUNTER: "Condensed Calculation for Evolutionary Ope-

ration Program". Technometrics, 1, 1, 77-95 (febrero 1959).

10. E. HARVEY BARNETT: "Introduction to Evohationary Operation". Ind~strial Engi-

neerin 9 Chemistry, 52, 6, 50.0-513 (junio 1960).

11. EDGAR P. KING: Operations Research Project at Eli Liy and Company, in
Ref. (14), pp. 35-37.

12. J. S. HX;NTER: "Optimize your chemical process with Evolutionary Operations".

Chemical Engineering (19 septiembre 1960).

13. W. M. CARLsok "Organizing for Operations Research". Symposium on Operations

Research, Chem. Eng. Pr 52, No. 6, 241 (.Tune 1956). GIFFORD I-I. S.Y-
MOI~DS: Linear Pro gramaming: The Solutiolt of Refinery Problems, Esso
Standard Oil Company, New York, 1955.

14. W. SPENDLEY,G. R. HEXT & F. R. HI.~ISWORTH: "Sequential application of Sire

plex designs in Optimization and Evolutionary Operation". Technometrics, 4, 4,
441-461 (noviembre 1961).

!57
15. ARNOLD FI. BOAS: "Optimizing multivariable functions". Chemical Engineering (4
matzo 1963).

16. E. L. LEONARD ARNOFF" AI$ Application of Linear Procdramming. Proc. Conf. OR

in production and Inventory Control. Operations Research Group, Case Institut~
of Technology (Jan. I954).

17. RAM6N-MARiA O'CALLAGI-IAN: "Optimaci6n experimental de procesos qulmicos".

Trabajos de Estadlstica y de [nvestigacidJ~ Operatiz,a, 16, Cuaderno II y IIL
1965.

18. E. KOENIGSBERG: "Some Industrial Applications of Linear Programming". Opnal.

Res. Q,~tart., 12, No. 12, 195 (June 1961).

19. O. L. DAVIES: Design a;td Analysis of Industrial Experim,e~zts (Imp. Chemi

Industri, 1960).

20. B~(RO.N O. MARSHALL, Jr.: "Opserarch and a Scheduling Problem in a Manu.

faeturing Plant". Che. Eng. Progr., 53, No. 1, 14 (Jan. 1957).

21. .1. I. MORGAN: "How to 'Eliminate 'Hunch' Scheduling". Chem. Process. (Chica-
go), 22, No. 5, 26, 113 (l~{ay 1959).

22. D. J. WILDE: Optimum Seeting methods. N. Y. Prentice Hall, 1964.

23. PALrL [Link]: [Link] and Inventory Control in a Chemical Process, [,

in Ref. (8), pp. 10-12.

24. S. Rios: M~todo, estadisticos. Madrid, 1967 (Mc Graw-Hill, Ediciones del Cas-
tillo).

24 bis. S. R.: "Introducci6n a la programaci6n din~mica. Trabafos de Ektadfstlca,

1964.

25. RUSELL L. ACKOFF: Production and Inventory Control in a Chemical Process, I,

in Ref. (8), pp. 13-22.

26. S. M. ROBERTS: Dynamic P~ogramin.g in Chemical Engineering Process Control

(N. Y., 1963).

27. CHARLEs W. CARROL: "An Operations Research Approach to the Economic Opti-
mization of a Kraft Pulping Process". I. Tech. Assoc. Pulp Paper In., 43,
No. 4, 305 (April 1960).

28. R. ARIS: The optimal Desin9 of Chemical Reactors (N. Y., 1964).

158
29. DOUGLASSJ. WILDE: "OptimizatiOn Methode". Advances in Chemical Engineering,
vol. 3. Academic Press, New York, 1962.

30. J. DYsoN, P. L. GOLDSMITHand J. S. M. ROBERTSON: "A Generalized Programme

for Material Flow in Batch Chemical Plants". Teehnometrics, 3, .No. 4, 497
(Nov. 1961).

31. CURTIS R. JOHNSON et al.: "Mathematics Computers, Operations Research, and

Statistics". Ind. Eng. Chem., 51, No. 3, 422 (March 1959).

32. CURTIS R. JOHNSON et al.: "Mathematics, Computers, Operations Research and

Statiscs". Ind. Eng. Chem., 52, No. 4, 359 (April 1960).

33. ROBERT F. SWEENY et al.: "Mathematics, Computers, Operations Research, and

Statistics". Ind. ]~ug. Chem., 53, No. 4, 329 (April 1961).

34. R. ARIS: "On Denbighs Optimum Temperature Sequence". Chem. Eng. Sci., 12,
56 (1960).

35. L. G. MIa'IXN and G. L. NEMHAUSF~R: "Mu,ltistage Optimization". Chem. Eng.

Pno:qr., 59, No. 1, 52 (Jan. 1963).

36. G. L. NEMHAUSER: PhD. thesis Industrial Engineering Department. Northwestern

University, 1961.

37. Program of the 8th Annual Meeting of ORSA, 8 Suppl. 1 (1960).

38. H. A. HASttBARGER and N. L. SAM1)LE: "Production Planning". Chem Eng.

Progr., 53, No. 1, 21-J (Jan. 1957).

39. JOSEPH Rio and A. F. S,I~ORKSY: "C as Studies in Operation Research". Chem.
Eng. Progr., 53, No. 1, 17-J (Jan. 1957).

40. J. C. HI/TRICK: "Operations Research A Progress Report". Chem. Eng., 68, 137
(Jan. 23, 1961).

41. P. [Link]: "Probleme der Lagerdisposition" (Problems of stockdisposition).

Elektron. Datenverarbeitun9, No. 3 (1961).

42. E. S. ALDREDGE: "The Monte Carlo Technique of Operations Research". Chem.

Eng., 69, No. 13, 109 (June 25, 1962).

43. B. V. DEAN and S. S. SENGUt:'TA:"Research Budgeting and Project Selection".

I R W Trans. Eng. Mgmt., EM-9, No. 4, 158 (Dec. 1962).

44. G.R. GAROIULOet al.: "Developing Systematic Procedures for Directing Research
Programs". IRE Trans. Eng. Mgmet., Em-8, No. 1. 24 (March 1961).

15 (}
45. D. T. ASHER and S. DISMAN: "Operations Research in R. & D.". Chem. E,g.
Progr., 59, No. 1, 41 (Jan. 1963).

46. S. W. HESS: On Rcsearch and Devclopme~t Dudgeting and Projet Selection.

P h . D . thesis. Case Institute of Technology, 1960.

47. TttOMAS F. DUNNE: Problem Scheduling in a Industrial Development Laboratory.

M. S. thesis. Case Institute of Technology, 1960.

48. CARL R. GLOSKEY: "Research on a Research Department: An Analysis of Eco-

nomic Decisions on Projets". IRE Trans. E~zg. Mgmet., EM-7, No. 4. 166
(Dec. 1960).

49. PAUL E. GRENN: "Decision Making in Chemical Marketing". Ind. Eng. Chem.,
54, No. 9, 30 (Sept. 1962).

50. P. E. GRENN: "Risk Attitudes and Chemical Investment Decions". Shem. Eng.
Progr., 59, No. 1, 35 (Jan. 1963).

51. D. N. HERTZ: Progress of Industrial Operations Research in The Un(ted States.

Proc. Ist. Intern. Conf. OR, ORSA, Baltimore, pp. 455-466.

52. S. M. ROBSRTS: "Dynamic Programming Formulation of the Catalyst Replacement

Problem". Chem. Eng. Progr. ~Cump. Set., 56, 103 (1960).

53. Chew ,Experhnet~tal Design in Industry. John Wiley, 1956.

54. J. S. DRANOFF et al.: "Application of Dynamic Programming to Countercurrent

Flow Processes". J. ORoCA, 9, No. 3.388 (May-June 1961).

55. BENNET-FRANKLIN:"Statistical Analysis" in Chemisty. J. Wiley ,1954.

56. B E. KALMANet al.: "Compactor Control of Processes-Mathematics is the Key"

Chem. Eng. Pro9., 56, No. 2, 55 (Feb. 1960).

57. D HERTZ, etc.: Progress in Operations Research, vol. II. John Wiley, 1964.

160