CÁPITULO 5. CONCLUSIONES Y TRABAJOS FUTUROS
En este último capítulo se recogen las conclusiones que pueden extraerse a nivel global de cada uno de los capítulos que componen el trabajo. Estas conclusiones servirán para justificar el cumplimiento de los objetivos que se planteaban en la introducción. Con el fin de evitar olvidar ningún detalle en la redacción de las conclusiones, se procede analizando uno a uno dichos objetivos. Para terminar, en este capítulo también se incluye la línea en la que podrían realizarse trabajos como continuación futura de este.
5.1. Conclusiones
El primer objetivo consistió en la inclusión en el sistema de optimización SPOL (RBG) de un modelo matemático de almacenamientos subterráneos que permitiera que el optimizador ajustase el stock de la red a un valor dado por las demandas comerciales con la mínima desviación considerando los tres modos de operación que tienen los mismos: reparto de la desviación de stock, cantidades fijas y modulación libre. El modelo matemático, además de operar de las tres maneras posibles, debía tener en cuenta los dos periodos anuales de inyección y de extracción, independientemente de cuál fuera el modo de operación. En el capítulo 2 se detalla el modelado matemático de cada modo de operación por medio de restricciones en el optimizador. Por otra parte, como el modelo de almacenamientos debía estar embebido en el optimizador global de la red, en el capítulo 2 también se detallan los términos que se añadieron sobre la función de coste. Para demostrar que se cumplen requisitos del modelado, al final de este segundo capítulo se aportan, los resultados de dos simulaciones bimensuales para el periodo de extracción y otras dos, también bimensuales, para el periodo de inyección. Para el total de las cuatro simulaciones los almacenamientos operan en los tres posibles modos de funcionamiento y se observa el perfecto cumplimiento de los requisitos. Con respecto a los almacenamientos subterráneos, puede concluirse que el sistema de optimización SPOL (RBG) ya dispone de un completo y detallado modelo para los mismos que se adapta perfectamente a los condicionantes físicos y operativos del sistema.
El segundo y el tercer objetivo del trabajo eran, respectivamente, el diseño de toda la estructura que corresponde a un módulo para estudios de sensibilidad y de costes en el sistema de optimización y dotar a este sistema de una forma de identificación para causas de soluciones no factibles debidas inconsistencias entre los datos que necesitan los diferentes niveles de optimización del sistema. Para facilitar los estudios económicos, en el capítulo 3 de este trabajo se implementó un proceso de optimización de dos fases, que permite aislar el efecto de los términos de penalización de la función objetivo de los términos propiamente económicos y para los estudios de sensibilidad se planteó un módulo permite seleccionar parámetros específicos del modelo de optimización para determinar cómo varían los resultados en función de los valores escogidos para los citados parámetros, especialmente la función objetivo. En lo tocante a la detección de causas de optimizaciones no factibles, también en el capítulo 3 se modeló la realización de un cálculo de flujos residuales entre los datos de los niveles de optimización del transporte implicados. Con la intención de demostrar las aplicaciones del módulo de estudios de costes y sensibilidad, en el mencionado capítulo se realizan uno de cada tipo. En el de sensibilidad, se obtienen los valores de la sensibilidad de la función objetivo a tres parámetros del sistema. En el de costes, lamentablemente no se obtiene un resultado evidente. A fin de probar la utilidad del módulo de detección de inconsistencias se aportan los datos de un caso práctico en el que se empleó. La conclusión del capítulo 3, es pues, que el sistema SPOL (RBG) también dispone de dos módulos perfectamente operativos, uno que permite los estudios de sensibilidad y costes y otro que permite aislar las causas de optimizaciones no factibles debidas a inconsistencias.
El último de los objetivos planteados en la introducción era el de la elaboración de un simulador del comportamiento físico de la red que permitiese validar las planificaciones propuestas por el sistema de optimización logística. El simulador, cuyo diseño se detalla en el capítulo 4, consiste en un modelo de presiones y flujos de un gas que se distribuye por una red de gaseoductos teniendo en cuenta la existencia de estaciones de compresión y lazos cerrados. Esta herramienta de simulación, implementada con MATLAB, recibe los flujos de gas entrantes o salientes de la red al completo y la demanda detallada de cada uno de los nodos de la red, y devuelve una respuesta que permita identificar como viables los datos de entrada. Para demostrar el funcionamiento del simulador, en el capítulo 4 se realizan una serie de diez simulaciones con datos reales de una sección de la Red Básica de Gaseoductos (zonas II y III). En estas simulaciones se manifiesta el carácter validador del simulador, pues permite deducir si los datos obtenidos en la optimización son válidos. De hecho, para dos de los días simulados, el 30 de septiembre de 2013 y el 1 de Octubre del mismo año, se comprueba que los resultados obtenidos como óptimos en una primera ejecución de SPOL(RBG) no son físicamente realizables, siendo necesario realizar otra optimización forzando al sistema a que se comporte de forma que el resultado sea físicamente permitido. A tenor de los resultados obtenidos en el cuarto, en lo que respecta al simulador, se concluye que la herramienta desarrollada se comporta según los objetivos y presenta gran utilidad como sistema evaluador.
5.2. Trabajos futuros
Las técnicas de simulación
y optimización son dos alternativas que se utilizan en el estudio de las redes
logísticas en general y las de transporte de gas natural en particular. En este
trabajo las hemos utilizado de forma complementaria, para validar por simulación
los resultados de una optimización y para ajustar los parámetros físicos del
optimizador mediante simulación (Capítulo 4). En este sentido uno de los
trabajos más interesante para el futuro consistiría en la automatización de las
interacciones entre simulación y optimización, de forma que lo que
recibiría el usuario sean unos resultados matemáticamente óptimos y físicamente
factibles.
REFERENCIAS.
[1] Ruz, J.J., Notas de la asignatura Introducción a la Programación Matemática. Tema 7. Máster universitario en ingeniería de sistemas y de control (2012-2013).
[2] Gorostegui, L. “Modelado, optimización y planificación de una red de distribución de gas natural”. Proyecto de fin de Máster en Ingeniería de Sistemas y control. 2011. Universidad complutense de Madrid y Universidad Nacional de educación a Distancia.
[3] Evans, D. J. y Chadwick, R. A. Underground gas storage: An introduction and UK perspective. Geological Geological Society, London, Special Publications 2009, v.313.
[4] Žlender, B. y Kravanja, S. Cost optimization of the underground gas storage. Engineering Structures 33 (2011) 2554–2562.
[5] Flanigan, O. Underground Gas Storage Facilities: Design and Implementation. Elsevier Science & Technology Books. 1995. ISBN: 0884152049.
[6] Jakub, S. y Stopa, J. Optimisation of the wells placement in gas reservoirs using SIMPLEX method. Journal of Petroleum Science and Engineering 54 (2006) 164–172.
[7] Bary, A., Brown, K., Rem, N., Heinz Berger, et al. Storing Natural Gas Underground. Oilfield Review. Summer 2002, Schlumberger. Texas, USA.
[8] Evans, D., Stephenson, M., Shaw, R. The present and future use of ‘land’ below ground. Land Use Policy 26S (2009) S302-S316.
[9] Singh, V. K. Geological Storage: Underground Gas Storage. 8th Biennial International Conference & Exposition on Petroleum Geophysics. HYDEABAD 2010.
[10] Kimmerlin, G. Underground gas storage facilities operated by GDF SUEZ: types, operations & equipment. 2009. GDF SUEZ Research & Innovation Division.
[11] Díaz, M. Modelación estocástica de yacimientos petroleros. Seminarios de modelación computacional. Septiembre de 2006.
[12] Mesías, J. L. La comprensión de los costos en las organizaciones desde la perspectiva cualitativa. Universidad EAFIT. Maestría en Ciencias de la Administración. Escuela de Administración. Departamento de Organización y Gerencia. 2006.
[13] García, L. G., Podmoguilnye, M. G. La necesariedad cualitativa de los factores y la consideración del modelo de costeo discreto. XXVII Congreso Argentino de Profesores Universitarios de Costos. Tandil, Noviembre de 2004.
[14] William Gibson, Andrew Brown. Working with Qualitative Data. SAGE (2009).
[15] Heisinger, Kurt. Essentials of Managerial Accounting. Boston, Mass.; Abingdon: Houghton Mifflin. 2008.
[16] Gava, L., Ropero, E., Ubierna, A. y Serna, G. Dirección Financiera: Decisiones de Inversión, Editorial Delta. 2008.
[17] Brealey, Myers y Allen. Principios de Finanzas Corporativas, 8ª Edición, Editorial Mc Graw Hill. 2006.
[18] Cabal, Helena. “Los costes externos en los modelos energéticos globales de optimización. Una herramienta para la sostenibilidad”, Tesis Doctoral, Universidad Rey Juan Carlos, 2007.
[19] Ruz, J.J., Notas de la asignatura Introducción a la Programación Matemática. Tema 1. Máster universitario en ingeniería de sistemas y de control (2012-2013).
[20] Neumaier, A y Shcherbina, O. Safe bounds in linear and mixed-integer linear programming. Springer-Verlag 2003 Math. Program., Ser. A 99: 283–296 (2004)
[21] Chinneck, J.W. y Dravnieks, E. W. Locating minimal Infeasible constraint sets in linear programs. ORSA Journal in Computing. 1990.
[22] Chinneck, J.W. Feasibility and Infeasibility in Optimization. A tutorial for CP-AI-OR-07. Bruselas, Bélgica. 2007.
[23] Larrosa, J., Meseguer, P. Restricciones Blandas: Modelos y Algoritmos Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, vol. 7, núm. 20, 2003.
[24] Saltelli, A., Ratto, M., Andres, T., Campolongo, F., et al. Global Sensitivity Analysis: The Primer. John Wiley & Sons. 2008.
[25] De la Cruz García, J. M., Andrés y Toro, B., Besadas Porta, E. Notas de la asignatura de Control de Sistemas. Tema 1: Introducción al control por realimentación. Dpto. Arquitectura de Computadores y Automática. Facultad de Ciencias Físicas. UCM. 2011.
[26] Herrán González, A., “Modelado, Planificación y Control de Sistemas de Distribución de Gas y Derivados del Petróleo”, Tesis Doctoral, Universidad Complutense de Madrid, 2008.
[27] Michael C. Fu, “Feature Article: Optimization for simulation: Theory vs. Practice”, INFORMS Journal on Computing 2002 14:3, 192-215.
[28] Flow-pressure analysis of loop gas networks. J.Krope, P. Trop y D.Goričanec. International Journal of systems applications, engeneering &development. Issue 4, Volume 5, 2011.
[29] Rasmuussen, P. C., Kurz, R., “Centrifugal compressor applications-upstream and midstream”, Proceedings of the thirty-eighth turbomachinery symposium, 2009.
[30] McMillan, G. K., “Centrifugal and Axial Compressor Control”, Momentum Press, Nueva York, 2010.
[31] Fletcher R., Practical Methods of Optimization. John Wiley & Sons, 2013.
[32] Kolda T.G., Lewis R. M., Torczon, V. Optimization by Direct Search: New Perspectives on Some Classical and Modern Methods. Society for Industrial and Applied Mathematics. 45(3), 385–482. 2003.
[33 Aplicación protocolo de detalle NGTS rangos admisibles 2010-2013. Módulo Transporte – Zona III: Valle de Ebro y País Vasco. Enagás.
CONTENIDO
CAPÍTULO 2. MODELO DE OPTIMIZACIÓN DE LOS ALMACENAMIENTOS SUBTERRÁNEOS DE GAS NATURAL
CAPÍTULO 4. SIMULACIÓN DEL COMPORTAMIENTO FÍSICO DE LA RED
CAPÍTULO 5. CONCLUSIONES Y TRABAJOS FUTUROS