Motivación

Creciente interés y compromiso de empresas, gobiernos y consumidores por fomentar la producción y el consumo sostenibles.

Motivación

El Pensamiento del Ciclo de Vida (LCT, por sus siglas en inglés) se ha consolidado como el concepto central para integrar la sostenibilidad en el desarrollo mundial.

Motivación

Tendencia ascendente en la adopción de políticas y estrategias basadas en el LCT.

Motivación

La industria representa más del 20 % del PIB de la UE y emplea a más de 35 millones de personas.

Motivación

Casi el 50 % de gases de efecto invernadero y más del 90 % del deterioro de la biodiversidad y estrés hídrico tienen origen industrial.

Motivación

La producción y consumo de energía en la industria es responsable del 24 % de las emisiones globales de gases de efecto invernadero.

Motivación

Para alcanzar el ambicioso objetivo de descarbonizar la industria en consonancia con las políticas de cero emisiones netas, es necesario desarrollar nuevas cadenas de valor, así como optimizar las actuales en términos de indicadores clave de rendimiento sostenible.

Motivación

Carencia de datos a escala industrial para respaldar los análisis de sostenibilidad del ciclo de vida en el desarrollo de procesos innovadores.

Motivación

No existen investigaciones que las combinen de manera holística en una herramienta única para su aplicación en la optimización económica y ambiental de cualquier proceso industrial.

Objetivos

Sentar las bases para un marco metodológico de ecodiseño orientado a la optimización de procesos industriales en base a criterios de sostenibilidad. Mediante la automatización e integración holística de la simulación de procesos, el ACV, el ACCV y técnicas de optimización matemática, en un software que garantize la fácil aplicación de la misma.

Objetivos

• Revisar el estado del arte de aplicaciones y marcos metodológicos que combinan simulación, ACV, ACCV y análisis de decisión multicriterio.
• Definir un marco metodológico holístico para la optimización basada en criterios sostenibles de procesos industriales, cimentado en la simulación de procesos, el ACV, el ACCV y técnicas de optimización matemática.
• Desarrollar un software precomercial para la optimización, basada en criterios sostenibles, de procesos industriales, fundamentado en la metodología propuesta.
• Probar y validar tanto la metodología planteada como el software desarrollado.

Revisión del estado del arte

1. Casos de estudio en los que se aplica la integración del análisis tecno-económico, el ACV y el análisis multicriterio.
2. Propuestas metodológicas para una análisis integrado.

Revisión del estado del arte

La integración de estos métodos representa una valiosa contribución a las evaluaciones cuantitativas sobre la sostenibilidad de procesos industriales.

Revisión del estado del arte

Carencia de directrices metodológicas para realizar un análisis integrado.

Revisión del estado del arte

Una herramienta integrada disminuiría las inconsistencias entra los límites del sistema, las unidades funcionales y las suposiciones e incertidumbres existentes cuando los análisis técnicos, económicos y ambientales se realizan de forma independiente.

Revisión del estado del arte

Nuevas investigaciones son necesarias para desarrollar un marco metodológico consistente y una herramienta holística.

Marco metodológico

Se basa en el pensamiento del ciclo de vida y sus estándares existentes, con el objetivo principal de desarrollar una metodología holística para el ecodiseño de procesos industriales que combine simulación de procesos, ACV, ACCV y optimización multiobjetivo.

Marco metodológico

Definición del objetivo y del alcance

El propósito principal radica en la formulación de un diseño para procesos industriales que, a lo largo de todo su ciclo de vida, reduzca al máximo los impactos medioambientales y los costes, siempre respetando las restricciones tecnológicas inherentes.

Análisis del inventario predictivo del ciclo de vida

Análisis del inventario predictivo del ciclo de vida

Evaluación del impacto del ciclo de vida

Se da un tratamiento analítico a los datos del inventario predictivo, obtenidos en la etapa previa, con el fin de determinar los impactos tanto ambientales como económicos por medio de los modelos de ACV y ACCV.

Optimización multiobjetivo

Interpretación

eco2des

eco2des ha sido desarrollada en Python para la optimización de procesos industriales en base a criterios sostenibles y ofrece soluciones prometedoras a la creciente demanda de cadenas de valor más sostenibles y toma de decisiones basadas en datos.

eco2des

e2dprojects

Administra la logística de los proyectos dentro de la herramienta. Un proyecto puede ser entendido como un contenedor para todas las entidades relevantes.

Tecnologías

e2dsimulation

Interfaz que se comunica con la simulación del proceso. Actualmente, funciona con Aspen Plus y es capaz de navegar y modificar el árbol de datos de la simulación.

Tecnologías

e2dlca

Cuantifica los impactos ambientales del proceso. Para ello, construye y resuelve un sistema de producto matricial conforme a la metodología de ACV.

Tecnologías

e2dlcc

Cuantifica los impactos económicos del proceso. Para ello, construye y resuelve un ACCV convencional de cuna a puerta.

Tecnologías

e2doptmization

Interfaz para la formulación y resolución de problemas de optimización multiobjetivo.

Tecnologías

Contexto

Las fuentes de energía convencionales están siendo reemplazadas por fuentes renovables; sin embargo, éstas no pueden proporcionar una potencia eléctrica base constante, lo que requiere la integración de sistemas de almacenamiento en la red.

Contexto

Para el almacenamiento estacional de energía en grandes capacidades, la energía eléctrica puede convertirse en energía química transfiriéndola a combustibles.

Contexto

La red de gas natural pueden utilizarse para el almacenamiento estacional, utilizando la electrólisis para producir hidrógeno que reacciona con dióxido de carbono para producir gas natural sintético.

CO₂ + 4H₂ ↔ CH₄ + 2H₂O

Definición del objetivo y del alcance

Optimizar el diseño de la metanación de CO₂ para el almacenamiento de energía eólica en la red de gas natural, minimizando impactos ambientales y costes, y maximizando la eficiencia energética del almacenamiento.

Definición del objetivo y del alcance

Los límites del sistema se establecen de cuna a puerta, abarcando desde la captación de dióxido de carbono de una emisión industrial, pasando por la generación de hidrógeno vía electrólisis impulsada por electricidad eólica sobrante, hasta la síntesis y almacenamiento estacional del gas natural sintético.

Definición del objetivo y del alcance

La unidad funcional del sistema se define como un metro cúbico en condiciones normales de gas natural sintético producido.

Análisis del inventario predictivo del ciclo de vida

Simulación del proceso

Simulación del proceso

  
    

import eco2des as e2d

e2d.projects.create_project(
    name="CO2 methanation for energy storage",
    reference_currency="EUR",
    year=2020,
    location="ES",
)

e2d.projects.current = "C02 methanation for energy storage"

e2d.project.simulation.load_simulation(".//Sabatier_k.bkp")


  

Inventario ambiental

  
    

e2d.project.lca.create_activity(
    name="Sabatier for renewable energy storage",
    location="ES",
    unit="normal cubic meter",
    ref_product="SNG",
    production_amount=1.0,
)

sabatier = e2d.project.lca.activities["Sabatier for renewable energy storage"]

ei36 = e2d.lca.database("Ecoinvent 3.6 cut-off")


  

Inventario ambiental

  
    

def lci_wind_energy():
    h2_in = e2d.project.simulation.streams["H2"]
    h2_in_mass_flow, _ = h2_in.output.total_mass_flow()
    h2_rec = e2d.project.simulation.streams["H2-REC"]
    h2_rec_mass_flow, _ = h2_rec.output.total_mass_flow()
    h2_mass_flow = h2_in_mass_flow - h2_rec_mass_flow

    el, _ = e2d.project.simulation.utilities["ELECTRICITY"].total_value()

    sng = e2d.project.simulation.streams["N-SYNGAS"]
    sng_volume_flow, _ = sng.output.total_volume_flow()

    return (49 * h2_mass_flow + el) / sng_volume_flow


wind_energy = next(
    act
    for act in ei36
    if act["name"] == "electricity production, wind, >3MW turbine, onshore"
    and act["location"] == "ES"
)

sabatier.new_exchange(amount=lci_wind_energy, input=wind_energy, type="technosphere")
sabatier.save()


  

Inventario ambiental

  
    

bio = e2d.lca.database("biosphere3")


def lci_co2():
    coke = e2d.project.simulation.streams["COKE"]
    coke_mass_flow, _ = coke.output.total_mass_flow()

    sng = e2d.project.simulation.streams["N-SYNGAS"]
    sng_volume_flow, _ = sng.output.total_volume_flow()

    return 44.01 / 12 * coke_mass_flow / sng_volume_flow


co2 = next(
    exc
    for exc in bio
    if "Carbon dioxide, fossil" in exc["name"]
    and "non-urban air or from high stacks" in exc["categories"]
)

sabatier.new_exchange(amount=lci_co2, input=co2, type="biosphere")
sabatier.save()


  

Inventario económico

  
    

capex = e2d.project.lcc.capex


def lcc_kW_electrolyzer():
    h2_in = e2d.project.simulation.streams["H2"]
    h2_in_mass_flow, _ = h2_in.output.total_mass_flow()
    h2_rec = e2d.project.simulation.streams["H2-REC"]
    h2_rec_mass_flow, _ = h2_rec.output.total_mass_flow()
    h2_mass_flow = h2_in_mass_flow - h2_rec_mass_flow

    return h2_mass_flow * 44.7


capex.add_scaled_equipment(
    name="Electrolyzer",
    capacity=lcc_kW_electrolyzer,
    reference_capacity=1,
    reference_cost=175,
    scaling_factor=1,
    process_type="Fluids",
    year=2015,
)


  

Inventario económico

  
    

opex = e2d.project.lcc.opex

opex.operating_labour(
    positions=4, employees=4.8, salary=30000, interannual_variance=0.015
)

opex.loan(percent=0.6, interest=0.04, years=10)

opex.depreciation(type="linear", value=0.07, residual_value=0)


def lcc_co2():
    co2_in = e2d.project.simulation.streams["C02"]
    co2_in_mass_flow, _ = co2_in.output.total_mass_flow()
    co2_rec = e2d.project.simulation.streams["C02-REC"]
    co2_rec_mass_flow, _ = co2_rec.output.total_mass_flow()
    co2_mass_flow = co2_in_mass_flow - co2_rec_mass_flow
    f = e2d.project.capacity_factor()
    return co2_mass_flow / 1000 * f * 8760


opex.add_raw_material(
    name="C02", quantity=lcc_co2, price=10, interannual_variance=0.015, unit="Tn"
)


  

Evaluación del impacto
del ciclo de vida

  
    

sabatier = e2d.project.lca.activities["Sabatier For renewable energy storage"]
ipcc = ("IPCC 2013 no LT", "climate change", "GWP 100a")
e2d.project.lca.LCA({sabatier: 1}, method=ipcc)

e2d.project.lcc.cash_flow(years=30, discount_rate=0.1, construction_time=1.5)


  

Optimización multiobjetivo

Optimización multiobjetivo

  
    

def has_passed_constraints():
    sng = e2d.project.simulation.streams["N-SYNGAS"]
    sng_h2 = sng.composition["H2"].output.mole_frac()
    sng_co = sng.composition["CO"].output.mole_frac()
    sng_co2 = sng.composition["C02"].output.mole_frac()

    if sng_h2 > 0.05 or sng_co > 0.02 or sng_co2 > 0.02:
        return False

    return True


def gwp():
    if not has_passed_constraints():
        return numpy.nan
    ipcc = ("IPCC 2013 no LT", "climate change", "GWP 100a")
    return e2d.project.lca.scores.get(ipcc)


def lcop():
    if not has_passed_constraints():
        return numpy.nan
    return e2d.project.lcc.results.lcop


  

Optimización multiobjetivo

  
    

def h2_co2_ratio(var: float) -> float:
    h2_in = e2d.project.simulation.streams["H2"]
    h2_in_mole_flow, _ = h2_in.output.total_flow(basis="MOLE")
    co2_in = e2d.project.simulation.streams["C02"]
    co2_in_flow = h2_in_mole_flow / var
    co2_in.inputs.total_flow(value=co2_in_flow, basis="MOLE", unit="kmol/hr")
    return var


def reactor_temp(var: float) -> float:
    rplug = e2d.project.simulation.blocks["REACTOR1"]
    rplug.inputs.temperature(value=var, unit="C")
    return var


def reactor_length(var: float) -> float:
    rplug = e2d.project.simulation.blocks["REACTOR1"]
    rplug.inputs.length(value=var, unit="m")
    return var


def reactor_ld_ratio(var: float) -> float:
    rplug = e2d.project.simulation.blocks["REACTOR1"]
    length, _ = rplug.output.length()
    rplug.inputs.diameter(value=length / var, unit="m")
    return var


def working_fluid(var: int) -> int:
    working_fluid = e2d.project.simulation.streams["WFLUID-1"]
    h2o = working_fluid.composition["H20"]
    cyclopentane = working_fluid.composition["CYCLOPEN"]

    if var == 0:
        h2o.inputs.flow(value=1, basis="MOLE-FRAC")
        cyclopentane.inputs.flow(value=0, basis="MOLE-FRAC")
    else:
        h2o.inputs.flow(value=0, basis="MOLE-FRAC")
        cyclopentane.inputs.flow(value=1, basis="MOLE-FRAC")

    return var


  

Optimización multiobjetivo

  
    

algorithm = e2d.optimization.nsga2(gen=20)

problem = e2d.project.optimization.problem(
    variables=(
        h2_co2_ratio,
        reactor_temp,
        reactor_length,
        reactor_ld_ratio,
        working_fluid,
    ),
    bounds=([4, 250, 1, 1, 0], [5, 400, 20, 10, 1]),
    objectives=(gwp, lcop),
)

initial_population = e2d.project.optimization.population(problem, 190)

evolved_population = algorithm.evolve(initial_population)


  

Interpretación

Interpretación

Interpretación

La metanación de dióxido de carbono para el almacenamiento de energía eólica en la red de gas natural muestra un rendimiento ambiental y económico no conflictivo.

Interpretación

La minimización de costes e impactos ambientales obtiene los siguientes objetivos:

• Coste nivelado de producción: 1.48 €/Nm³
• Potencial de calentamiento global: 1.09 kg CO₂-eq./Nm³
• Eficiencia de almacenamiento: 57.95 %

Con las siguientes variables de decisión:

• H₂/CO₂ ratio: 4.44
• Temperatura del reactor: 396 ⁰C
• Longitud del reactor: 2.64 m
• LD ratio del reactor: 5.72
• Fluido de trabajo: agua

Contexto

Para 2030, la Unión Europea (UE) tiene como objetivo que el 14 % del combustible de transportes de cada país miembro provenga de fuentes renovables.

Contexto

Preocupación especial por los combustibles para aviación, ya que ésta es responsable del 3 % de las emisiones totales de gases de efecto invernadero. Por ello, la UE ha establecido un objetivo para combustibles de aviación sostenibles, representando hasta el 5.25 % de la demanda.

Contexto

La síntesis de Fischer-Tropsch (FT) integrada con la gasificación es una ruta aprobada para la conversión de biomasa en combustibles para aviación.

Contexto

Sin embargo, a pesar de tener un potencial de calentamiento global un 70 % menor que los combustibles fósiles, el mayor obstáculo para la adopción de estos biocombustibles es su alto coste de capital.

Definición del objetivo y del alcance

Optimizar el diseño de la biorrefinería para la coproducción de biocombustibles y electricidad, utilizando una perspectiva del ciclo de vida, minimizando impactos ambientales y costes, y maximizando la producción de bioqueroseno.

Definición del objetivo y del alcance

Los límites del sistema se establecen de cuna a puerta, abarcando desde la captación de biomasa y otras materias primas y servicios hasta la producción de los biocombustibles en una planta que trata 2800 tpd.

Definición del objetivo y del alcance

La unidad funcional del sistema se define como 1 kWh de biocombustibles producidos.

Análisis del inventario predictivo del ciclo de vida

Simulación del proceso

Inventario ambiental

Inventario económico

Evaluación del impacto
del ciclo de vida

Se evalúan dos categorías de impacto ambiental: el calentamiento global y el agotamiento de recursos fósiles.

Evaluación del impacto
del ciclo de vida

Para la evaluación del impacto económico, se calcula el valor actual neto (VAN) con una tasa de interés nominal del 5 %.

Optimización multiobjetivo

Interpretación

Interpretación

Interpretación

Interpretación

La coproducción de hidrógeno, biocombustibles líquidos y electricidad suficiente para autoabastecer al proceso puede ser una estrategia viable para mejorar el desempeño económico y ambiental, a pesar de que podría implicar una disminución en la producción de queroseno.

Interpretación

La naturaleza y cantidad de subproductos generados por la biorrefinería influyen considerablemente en su rendimiento, siendo el precio de mercado de los mismos un actor determinante

Interpretación

Hay una tendencia a reducir la producción de queroseno en los problemas de optimización.

Interpretación

La aplicación de la metodología y la herramienta de ecodiseño facilita la configuración de escenarios sostenibles, gracias a la generación de soluciones óptimas a través de algoritmos genéticos.

Conclusiones

La presente investigación ha culminado en el desarrollo y validación de un novedoso marco metodológico de ecodiseño para la ingeniería de procesos industriales.

Conclusiones

La herramienta eco2des se ha revelado como un sistema de apoyo a la decisión robusto y versátil.

Conclusiones

Relevancia de los modelos predictivos y rigurosos en el contexto de eco2des, que aseguran la precisión de los resultados obtenidos.

Conclusiones

Se identificó como desafío principal la ausencia de una interfaz de datos estandarizada, lo que dificultó la interoperabilidad entre sistemas.

Conclusiones

En el futuro, las investigaciones deberían centrarse en:

• Integrar el análisis social del ciclo de vida (ASCV) dentro de la metodología.
• Avanzar en el desarrollo de soluciones digitales que operen en tiempo real.
• Explorar el potencial de los modelos predictivos impulsados por inteligencia artificial.