Superstructure Optimization with Embedded Neural Networks for Sustainable Aviation Fuel Production

Resumen Técnico: Optimización de Superestructura con Redes Neuronales Incrustadas para la Producción de Combustibles de Aviación Sostenibles

Enunciado del Problema
La descarbonización de la aviación requiere la producción a gran escala de Combustibles de Aviación Sostenibles (SAF), específicamente hidrocarburos en el rango de queroseno (C8–C16). Diseñar rutas de producción de SAF óptimas desde el punto de vista económico y ambiental es un problema de optimización multidimensional complejo. Implica una vasta gama de materias primas (biomasa, CO2 capturado, H2 renovable), químicas intermedias y tecnologías de conversión. Los enfoques convencionales de optimización de superestructuras a menudo dependen de suposiciones excesivamente simplificadas, como modelos de procesos lineales, condiciones operativas fijas y representaciones agrupadas de componentes. Estas simplificaciones no logran capturar las relaciones termodinámicas no lineales y los comportamientos dependientes de la composición críticos para la síntesis de SAF, particularmente en procesos como la conversión Fischer-Tropsch (FT), donde la selectividad del producto es altamente sensible a los parámetros operativos. Además, los métodos existentes a menudo carecen de la flexibilidad para optimizar simultáneamente las decisiones discretas del proceso y las variables operativas continuas (por ejemplo, temperatura, presión, composición de la alimentación) mientras se tienen en cuenta composiciones detalladas de mezclas y estrategias de gestión del carbono.

Metodología
Los autores proponen un marco avanzado de optimización multiobjetivo que integra Redes Neuronales Artificiales (ANN) como modelos sustitutos basados en datos dentro de una formulación de Programación Cuadrática con Restricciones Entera Mixta (MIQCP).

• Formulación de Superestructura: El marco modela la red de producción como un grafo generalizado con puertos de entrada y salida explícitos para los procesos. A diferencia de los enfoques tradicionales, las corrientes se representan como mezclas donde las fracciones másicas son variables de decisión. Esto permite la optimización simultánea de la topología del proceso y las composiciones de las corrientes.
• Incrustación de ANN: Para abordar la no linealidad de los subprocesos clave sin hacer intratable la optimización, tres procesos críticos —gasificación de biomasa, Cambio de Gas de Agua Inverso (RWGS) y síntesis FT— se modelan utilizando ANN entrenadas con datos rigurosos de simulación en Aspen Plus®. Estas ANN capturan la dependencia no lineal de las composiciones de salida, la selectividad y las demandas energéticas de las condiciones operativas (por ejemplo, temperatura del reactor, presión, relaciones de entrada).
• Integración Matemática: Las ANN activadas con ReLU entrenadas se incrustan en el problema MIQCP utilizando reformulaciones de Programación Lineal Entera Mixta (MILP) (a través del Toolkit de Optimización y Aprendizaje Automático, OMLT). Este enfoque preserva la tratabilidad computacional de la optimización global mientras representa con precisión comportamientos no lineales complejos.
• Objetivos de Optimización: El marco resuelve un problema multiobjetivo que minimiza los costos anuales totalizados (CAPEX y OPEX) mientras restringe sistemáticamente las emisiones totales de CO2 (incluyendo producción y combustión). Se utiliza el método de restricción $\epsilon$ para generar fronteras de Pareto-óptimas.
• Límites del Sistema: El estudio considera una superestructura comprehensiva que incluye gasificación de biomasa (miscanto, paja de trigo, astillas de pino), reformado auto térmico (ATR) de gas natural, captura directa de aire (DAC), electrólisis del agua y secuestro de carbono (CS).

Contribuciones Clave

1. Formulación Avanzada de MIQCP: Desarrollo de una formulación de superestructura que incorpora explícitamente las composiciones de las corrientes como variables de decisión, permitiendo la optimización de las fracciones másicas a través de la red.
2. Modelado Sustituto Incrustado: Integración exitosa de ANN en un marco de optimización global para modelar comportamientos de procesos no lineales, permitiendo que las condiciones operativas (temperatura, presión, composición de la alimentación) se traten como variables de decisión en lugar de parámetros fijos.
3. Aplicación a SAF Basado en FT: Aplicación de este marco a la síntesis de queroseno mediante FT, demostrando la capacidad para manejar restricciones complejas de mezclas y gestión del carbono.
4. Demostración de Flexibilidad: Prueba de que permitir mayores grados de libertad a nivel de operación unitaria, habilitados por modelos sustitutos de redes neuronales, conduce a un rendimiento superior del sistema en términos de costos e intensidad de CO2 en comparación con diseños de parámetros fijos.

Resultados

• Compensación Costo vs. Emisiones: Bajo emisiones de CO2 sin restricciones, la configuración de menor costo depende exclusivamente de la ruta basada en fósiles ATR (0.79 $/kg de queroseno) con altas emisiones (4.47 kg CO2/kg). Imponer restricciones de carbono hace necesaria la integración de gasificación de biomasa y DAC-CS.
• Rutas Óptimas: En el límite de cero emisiones, las configuraciones híbridas que combinan ATR y gasificación de biomasa alcanzan los costos más bajos (2.38 $/kg), seguidas de cerca por la gasificación solo de biomasa (2.43 $/kg). Ambas superan a la ruta solo ATR con DAC-CS (~2.65 $/kg).
• Limitaciones Solo DAC: Las rutas que dependen exclusivamente de CO2 atmosférico (DAC) y electrólisis del agua resultan ser prohibitivamente costosas (~10.8 $/kg), destacando las penalidades termodinámicas y económicas de usar fuentes de carbono totalmente oxidadas.
• Abatimiento de Carbono: El costo de abatimiento de CO2 para SAF basado en biomasa se estima en aproximadamente 390 $/tCO2. Lograr emisiones netas cero o negativas requiere secuestro de carbono; la biomasa por sí sola es insuficiente debido a las emisiones de la cadena de suministro.
• Adaptabilidad vs. Diseño Fijo: Un análisis de sensibilidad que compara diseños "adaptables" (condiciones operativas optimizadas) frente a diseños "fijos" (condiciones predeterminadas) revela que la adaptabilidad genera ahorros de costos de hasta un 20%. Los parámetros operativos óptimos (por ejemplo, presión del reactor FT, temperatura de gasificación) cambian significativamente en respuesta a factores externos como los precios de la electricidad.
• Integración Térmica: El beneficio económico de la integración térmica resulta dependiente del diseño. Ofrece ahorros marginales (7%) en sistemas basados en biomasa, pero se vuelve crítico (14% de ahorros) en sistemas que dependen de DAC debido a la alta demanda térmica de la desorción de CO2.

Significado y Afirmaciones
El artículo afirma que la metodología propuesta supera las limitaciones inherentes de los enfoques basados en superestructuras convencionales al permitir la optimización conjunta de decisiones discretas del sistema y parámetros operativos continuos dentro de un marco matemático riguroso. Al incrustar modelos sustitutos basados en datos, el estudio demuestra que tener en cuenta las composiciones variables de las corrientes y los comportamientos no lineales de los procesos es esencial para identificar rutas de producción de SAF verdaderamente óptimas. Los resultados subrayan que la producción de SAF rentable y alineada con el clima depende de introducir carbono en formas termodinámicamente favorables (biomasa o metano) en lugar de como CO2 totalmente oxidado. Además, el estudio destaca que la flexibilidad para adaptar las condiciones operativas del proceso a entornos tecnoeconómicos cambiantes es un impulsor crítico, a menudo pasado por alto, del rendimiento económico, ofreciendo reducciones de costos significativas sobre los enfoques de diseño estático. Los autores señalan que, aunque el marco es robusto, su precisión depende de la fidelidad de las simulaciones de procesos subyacentes utilizadas para entrenar las ANN, y el trabajo futuro podría ampliar el alcance para incluir más subprocesos y tecnologías de mejora aguas abajo.