REDUCCIÓN DE COSTOS OPERATIVOS MEDIANTE LA OPTIMIZACIÓN ENERGÉTICA EN TIEMPO REAL Carlos A. Ruiz 1

REDUCCIÓN DE COSTOS OPERATIVOS MEDIANTE LA OPTIMIZACIÓN ENERGÉTICA EN TIEMPO REAL Carlos A. Ruiz 1 Resumen El autor ha realizado numerosas instalaciones de Sistemas de Gerenciamiento de Energía en tiempo real (Real Time Energy Management Systems, RTEMS) en Sitios industriales distribuidos por todo el mundo, con el objeto de asistir a Operadores, Ingenieros y Gerentes en la toma de decisiones que deben realizar para gestionar las redes de Utilidades y Servicios al mínimo costo. Se construye un modelo que representa en detalle las instalaciones de utilidades de cada Sitio y el mismo es alimentado con datos en tiempo real utilizando para ello un software industrial de probadas capacidades. El software cuenta con un optimizador en tiempo real para sistemas de energía de vasta trayectoria y aplicado en numerosos Sitios industriales de todo el mundo (Refs. 1 a 12). Los modelos de los Sitios no sólo producen recomendaciones sobre cómo operar las redes de vapor en su interacción con los sistemas eléctrico, de combustibles, hidrógeno o condensados, sino que además calculan Indicadores Clave de Desempeño (Key Performance Indicators, KPIs) que brindan una medida cuantitativa sobre el desempeño de las unidades y ayudan a identificar procesos y áreas donde es posible o necesaria una mejora. Usualmente también se calculan las emisiones de CO 2, SO 2 y NO x. En el presente trabajo se describen las características de este optimizador de energía en tiempo real, se explican las etapas de los proyectos para la implementación de esos sistemas, se presentan ejemplos industriales reales y se destacan algunas de las características principales de los modelos desarrollados, haciendo hincapié en la utilización del software como herramienta para el cálculo de KPIs y la reducción de costos operativos. Palabras Clave Optimización, energía, utilidades, tiempo real, reducción de costos Introducción Usualmente, las ccompañías Químicas, Petroquímicas o de Refinación operan complejos sistemas de Energías formado por redes de vapor, electricidad, fuel gas, fuel oil, hidrógeno, aceite térmico y otras utilidades, intercambiando además muchas de estas corrientes con complejos vecinos, tanto de exportación como de importación. La operación de sistemas de semejante complejidad presenta el desafío de encontrar la eficiencia económica global mediante la gestión y toma de decisiones correctas, tales como la generación de vapor en las calderas propias utilizando uno u otro combustible, la exportación e importación de vapor y energía eléctrica, la importación o exportación de fuel gas y/o hidrógeno, así como la elección entre aceite térmico y vapor para el calentamiento en los procesos, siempre respetando las restricciones de los equipos, los procesos y contractuales. Muchas compañías en el mundo han decidido implantar el software de Soteica llamado Visual MESA, un sistema de gestión en línea que ayuda a reducir los costos operativos de las utilidades (Refs. 1 a 12). Para cada una de ellas se han desarrollado modelos completos del sistema de Energías de cada Complejo, contemplando las principales variables de optimización y restricciones identificadas durante la ejecución del proyecto. Uno de los factores claves para la implantación exitosa y efectiva de la reducción de costos energéticos ha sido el uso de un modelo en línea, disponible en la sala de control y en uso diariamente para la toma de decisiones óptimas. Los operadores de panel implementan las recomendaciones dadas por el software, el cual se ejecuta automáticamente en una frecuencia dada, varias veces a lo largo de cada turno. Los operadores son los responsables de cambiar los correspondientes puntos de consigna, intercambiar equipos como turbinas y motores cuando sea aconsejable y, por lo tanto, hacer efectiva la optimización en tiempo real. El modelo de las utilidades no sólo produce recomendaciones sobre cómo operar la red de vapor en su interacción con el sistema eléctrico sino que además calcula Indicadores Clave de Desempeño (Key Performance Indicators, KPIs) que brindan una medida cuantitativa sobre el desempeño de las unidades y ayudan a identificar procesos y áreas donde es posible o necesaria una mejora. El modelo Visual MESA también calcula emisiones de NO x, CO 2 y SO 2. Etapas de los Proyectos La implementación de un proyecto típico de gerenciamiento de energía se completa en 12 meses. Sus principales etapas se indican a continuación. 1.1. Solicitud de información: una vez recibida la orden de compra se solicita al Sitio la información necesaria para construir un modelo preciso de su red de Utilidades y para identificar las variables de decisión y restricciones. 1.2. Reunión Inicial: se lleva a cabo una reunión en el Sitio con el encargado de proyecto de la compañía para aclarar dudas adicionales surgidas del estudio de la información provista. En esa reunión se discute y determina cuál sería la 1 Soteica LLC, Ideas & Technology, 16010 Barker s Point Lane, Suite 580, Houston, TX 77079, USA Phone: +1 (281) 829 3322, Fax: +1 (281) 966 1710, e-mail: carlos.ruiz@soteica.com, http://www.soteica.com 1

estrategia de optimización a seguir y se definen los criterios de aceptación del proyecto que se incorporan a la especificación funcional del mismo. 1.3. Instalación del software: se instala el software Visual MESA y se configura adecuadamente el servidor de la aplicación. También se configura la conexión entre Visual MESA y el servidor OPC que hace posible contar con los datos en tiempo real. En esta etapa el Sitio proporciona acceso remoto al servidor. Dicho acceso se mantiene disponible a lo largo de todo el proyecto y luego de finalizado, en la etapa posterior de mantenimiento del mismo. 1.4. Documento de especificación funcional: se prepara un documento de especificación funcional, ambas partes lo acuerdan y luego es aprobado por el Sitio. 1.5. Construcción del modelo Visual MESA y cálculo de KPIs relacionados al consumo de energía: en esta etapa se construye un modelo detallado del sistema de energías (redes de combustible, vapor, electricidad, hidrógeno, agua de alimentación a calderas y red de condensados), se definen las variables de optimización y restricciones y se prepara un informe personalizado en Excel para informar los resultados de la optimización. Se agregan sensores al modelo para alimentar las rutinas de optimización con datos en línea provenientes del sistema de información de Planta. Se define la forma de cálculo de los KPIs relacionados al consumo de energía. 1.6. Configuración de la optimización y cálculo de la línea base: se realiza un viaje a las instalaciones del Sitio para revisar junto al encargado de proyecto del mismo el modelo y la estrategia de optimización. Luego de la aprobación del modelo se lleva adelante una prueba de un mes en la cual Visual MESA sugiere en forma periódica, por ejemplo cada 30 minutos, las acciones necesarias para operar la red de servicios a costo óptimo basándose en datos en línea. Esas recomendaciones no son seguidas por los Operadores durante este período, lo que permite construir una línea base para estimar los ahorros potenciales predichos. 1.7. Comisionado y comienzo de la optimización rutinaria: luego que Operadores e Ingenieros son entrenados, las recomendaciones de Visual MESA comienzan a ser implementadas rutinariamente. Se proporciona al Sitio la documentación del proyecto junto a una descripción del modelo y un informe de beneficios obtenidos, comparando con la línea base. Además de los ahorros capturados con las recomendaciones rutinarias del modelo, se identifican otros ahorros potenciales adicionales a partir de la disponibilidad y análisis de los KPIs calculados. 1.8. Mantenimiento y Sustentabilidad: A partir de comisionado, se realiza el mantenimiento periódico de la aplicación, con el objetivo de mantener los modelos en forma saludable, ejecutándose todo el tiempo y proporcionando resultados óptimos a lo largo de los años. Variables de Optimización en los Modelos Visual MESA Las redes de vapor de están usualmente integrada por varios colectores con diferentes niveles de presión. En la figura siguiente se muestra a modo de ejemplo el sistema de la Ref. 11, correspondiente a una Refinería de Latinoamérica. Ese Sitio cuenta con cinco calderas las cuales producen vapor de alta presión y un conjunto de turbogeneradores que producen energía eléctrica. La vista principal del modelo se puede ver en la Figura 1. Figura 1. Vista principal del modelo Visual MESA de la Refinería ENAP Aconcagua Figura 2. Representación de un grupo de bombas intercambiables en el modelo El Sitio también opera hornos duales que pueden quemar FO y FG. Se identificaron todos los pares turbina/motor potencialmente intercambiables y fueron incluidos en el modelo. La gran interrelación entre las redes de vapor, combustible y energía eléctrica hace que las decisiones sobre la forma más económica de operar sean difíciles de tomar. 2

Las variables de optimización seleccionadas, tanto continuas como discretas, fueron aquellas en las que existe algún grado de libertad. Un ejemplo de variable continua es el consumo de combustible en un determinado horno o caldera puesto que existe libertad de decidir sobre sus valores siempre y cuando se satisfaga la demanda total de calor o vapor por parte del proceso, se respeten las capacidades de los quemadores y los límites de emisión no sean violados. Ejemplos de variables discretas son los estados de operación (marcha / paro) de turbinas y motores que cumplen un mismo servicio y pueden ser intercambiables. Las principales variables de decisión identificadas para este proyecto fueron: Producción de vapor en calderas. Relación entre caudales de combustible gaseoso (FG) y líquido (FO) quemados en las calderas, teniendo en cuenta que las emisiones de SO 2 y CO 2 no pueden sobrepasar un determinado caudal. Caudal de gas natural importado. Inyección de GLP (butano) al tanque de mezcla en la red de Fuel Gas. Caudales de laminaciones y venteos. Producción de energía eléctrica y caudales de extracción y condensación en turbogeneradores. Impulsores intercambiables (cambios turbina/motor). Otras variables, sobre las que el optimizador no puede decidir con absoluta libertad, debieron ser definidas para restringir las soluciones dentro de un dominio de factibilidad. Sus valores debieron respetar ciertos límites por razones prácticas de índole operativa. Por ejemplo: en el caso de un grupo de bombas impulsadas por una combinación de turbinas y motores eléctricos la restricción se encontraba en la potencia total que debía suministrarse al proceso en forma de trabajo mecánico (dicha potencia total debe permanecer constante durante la optimización) mientras que los estados operativos de los componentes del grupo (marcha / paro de las turbinas y motores) fueron las variables de decisión. La representación de un grupo de bombas intercambiables en Visual MESA puede verse en la Figura 2. Los bloques de color gris con la letra S son los sensores de estado (status) que leen el mismo desde el sistema de información de Planta. Estos sensores proporcionan la información relativa al estado de cada equipo: marcha, paro, disponible, giro lento (en caso de turbinas que no se paran del todo sino que se mantienen calientes, en rotación lenta). Figura 2. Representación de un grupo de bombas intercambiables en el modelo Visual MESA Figura 3. Informe Excel personalizado de acuerdo a las particularidades del Sitio Las emisiones de SO 2 y NO x fueron tenidas en cuenta en el modelo como restricciones adicionales que la optimización debía respetar. De esa manera ninguna variable operativa fue llevada por el optimizador a un punto donde las restricciones no se cumplían. En el caso particular de las emisiones se las calculó e historizó también con propósitos de monitorización, análisis y reducción de acuerdo al protocolo de Kyoto. El modelo construido se ejecutó automáticamente, alimentado continuamente por datos validados obtenidos en tiempo real desde el sistema de información de Planta. El objetivo del modelo fue producir recomendaciones para reducir los costos operativos de la red de Utilidades respetando al mismo tiempo restricciones operacionales como: producciones de vapor mínimas y máximas, límites de producción de energía eléctrica, etc. El modelo desarrollado puede utilizarse para analizar casos de estudio y evaluar el impacto económico de inversiones potenciales. Diferentes escenarios de operación pueden ser estudiados y optimizados para planificar la correcta utilización de las Utilidades en distintas situaciones. El conjunto de recomendaciones producidas en cada ejecución automática se mostró en un informe personalizado de Excel (que puede verse en la Figura 3). Este archivo de resultados resumió los valores que las variables tomaban en la situación operativa del momento y los calculados para operar la red de servicios a costo mínimo. El costo operativo actual, el costo óptimo, los costos incrementales de las variables más importantes y los ahorros que podían capturarse de implementar las recomendaciones de 3

Visual MESA se presentaron en dicho informe. Al estar basado en Excel fue fácilmente distribuido y compartido entre los usuarios. Adicionalmente se exportó el archivo a formato.html para ser consultado a través de la Intranet del Sitio mediante un navegador web convencional. Figura 4. Los globos indican gráficamente el grado de cierre de los balances de masa correspondientes Figura 5. Detalle del modelado de un turbogenerador con extracción / condensación Globos en Visual MESA Quizá uno los componentes que más llaman la atención por su utilidad práctica sean los globos de Visual MESA. Estos bloques debieron incluirse en el modelo en todas aquellas secciones en las que la disponibilidad de medidas determinó la existencia de un balance cerrado de materia o energía y. Los globos sirven para hacer que el desbalance se mantenga constante durante la optimización. Además informan gráficamente y en forma dinámica sobre cuán bueno o malo es el cálculo del balance. Así, un globo grande significa que existe un desbalance importante entre la cantidad de materia (o energía) que ingresa a una sección y las correspondientes salidas. Tal discrepancia puede deberse a: Errores de los instrumentos de medida. Errores de cálculo, por ejemplo: al estimar la producción de vapor de una caldera en función del consumo de combustible y su eficiencia y luego comparar con una medida en campo (ver Figura 4) Aportes o consumos no contemplados en el modelo. Consumos no declarados. Pérdidas. Se historizaron los desbalances en los colectores de vapor más importantes escribiendo los valores calculados al sistema de información de Planta luego de cada ejecución automática de Visual MESA. Esto permitió monitorizar la calidad de los balances de masa y detectar posibles pérdidas o errores de medición. Interacción de la red de vapor con el sistema eléctrico En este modelo de Visual MESA desarrollado para ENAP Refinerías existen dos formas principales en las que pueden interactuar las redes de vapor y energía eléctrica. Cambios turbina motor: con la adecuada combinación de turbinas y motores en funcionamiento fue posible alterar el consumo eléctrico del Sitio para bajar los costos operativos totales. Generación de electricidad en los turbogeneradores: al contar la Refinería con dos turbinas de extracción / condensación se proporcionó mayor flexibilidad a la optimización ya que se contó con un número mayor de variables decisión. Se procesaron los mapas de vapor de las turbinas para poder predecir, a través de curvas de eficiencia, la relación entre producción de energía eléctrica y consumo de vapor. En la Figura 5 puede verse el detalle el modelado de uno de los turbogeneradores de extracción / condensación. Cada etapa del equipo es modelada como una turbina individual conectada en serie con la otra. La potencia total generada se calculó en un grupo acumulador, que puede verse en dicha Figura arriba a la derecha. Con la configuración adoptada, el modelo fue capaz de sugerir aumentar o disminuir la cantidad de vapor enviado a los turbogeneradores según hubiese convenido generar más o menos energía eléctrica. 4

Cálculo de Indicadores Clave de Desempeño (KPIs) Además de la herramienta de optimización desarrollada para el Sitio, varios Indicadores Clave de Desempeño fueron calculados para las distintas unidades. Se aprovechó que el modelo Visual MESA utilizaba datos en línea y reunía toda la información relevante en cada Planta. El modelo contaba con información detallada de los flujos entrantes y salientes de energía en cada área, para calcular el consumo de energía de cada unidad o de algún equipo en especial. Luego de calculados, los resultados fueron escritos en el sistema de información de Planta para historización y monitorización. Visual MESA dispone de un bloque especial que calcula la equivalencia entre corrientes materiales y corrientes de energía (por ejemplo: caudal de combustible y calor, caudal de condensados y contenido total de entalpía). Con ese bloque y toda la información reunida en el modelo se pudo calcular el consumo total de energía de cada unidad simplemente cerrando el balance de energía. Ese cálculo permitió a los Ingenieros de Proceso y Gerentes de la Refinería comparar los consumos de energía de cada Planta con valores de referencia de las distintas unidades. Las métricas calculadas pueden clasificarse en tres grandes grupos: KPIs de alto nivel: monitorizan el desempeño del Sitio completo y son de interés para Gerentes de Planta. Ejemplos de estas métricas: costo operativo total del sistema de Utilidades, desbalance en los principales colectores de vapor, caudal de emisiones, ahorros potenciales que podrían obtenerse aplicando las recomendaciones de Visual MESA, etc. KPIs a nivel de cada unidad o equipo: permiten analizar el desempeño de cada unidad y de equipos particulares. La información reflejada por estos indicadores puede resultar relevante para los jefes de cada área y personal técnico. Ejemplos de estos KPIs: costo operativo de la Planta, eficiencias de calderas y hornos, uso de energía por unidad de producción, etc. En la Figura 6 puede verse la tendencia de la eficiencia calculada de una caldera (verde) junto con su producción de vapor (azul). Variables que influencian sobre el consumo energético: parámetros operativos de un determinado equipo tales como el caudal de reflujo, temperatura del agua de enfriamiento, etc., que afectan el consumo de energía. Todas las métricas fueron calculadas como parte de un programa de seguimiento y monitorización en el cual el desempeño cuantificado por estos indicadores sería comparado continuamente con valores objetivo. Se obtuvieron ahorros adicionales cuando se implementaron acciones correctivas tendientes a mejorar estas métricas. Ejemplo de Cálculo: KPI relacionado al consumo de energía para la unidad FCC El modelo Visual MESA puede navegarse simplemente haciendo doble click sobre las unidades. De esta manera pueden visualizarse los diferentes niveles de detalle cómo se muestra en la Figura 7. Figura 6. Producción de vapor de una caldera (azul) y eficiencia (verde). Estas tendencias pueden consultarse directamente desde el modelo Figura 7. Diferentes niveles de detalle en el modelo Visual MESA El balance de energía en la unidad de Cracking Catalítico en Lecho Fluido (FCC) tuvo en cuenta las siguientes contribuciones y consumos: Coque quemado en el regenerador. Consumos de vapor de alta y media presión. Producción de vapor de media presión. Consumos de Fuel Gas y Fuel Oil en el horno de cracking. Energía contenida en los gases de escape del regenerador. Agua de alimentación a calderas y retorno de condensados. Consumos eléctricos en bombas impulsadas por motores. Consumos de vapor en compresores accionados por turbinas. 5

Todas las corrientes incluidas en el balance de energía fueron referenciadas dentro del bloque especial Process Plant Cost. Este componente de Visual MESA fue la pieza clave para calcular los balances de energía en las distintas unidades. En la Figura 8 pueden apreciarse la apariencia de tal componente y el balance de energía que realiza. El rectángulo con el borde de color verde en la parte superior de la Figura 8 es el bloque como se lo ve representado en la interfaz de usuario de Visual MESA. El círculo con la letra U es el sensor que escribió el resultado del KPI calculado al sistema de información de Planta luego de cada ejecución automática de Visual MESA. Comparando este índice con un valor de referencia se pudo historizar el desempeño y tomar como referencia de comparación un cierto valor objetivo. Como se ve en la Figura 9, el informe personalizado basado en Excel incluyó una hoja especial en la cual se mostraron todos los índices calculados. Figura 9. Apariencia del Informe personalizado en Excel. El consumo actual de energía puede leerse bajo la etiqueta Real y el consumo energético de referencia puede leerse bajo la etiqueta Base Figura 8. Bloque Process Plant Cost y balance de energía que calcula el Visual MESA El Perro Guardián de la Energía ( Energy Watchdog ) Las rutinas de optimización de Visual MESA, junto a las funcionalidades incluidas en el modelo, permitieron al Sitio reducir sus costos operativos al aplicar las recomendaciones producidas por la herramienta. Una ventaja adicional para el Sitio fue que la participación en la construcción del modelo proporcionó un mejor entendimiento de cómo las diferentes restricciones operativas interactúan entre sí. Los ahorros potenciales fueron identificados y se proporcionaron las recomendaciones directamente aplicables para operar en condiciones de costos mínimos. De manera similar a como ocurrió en otras implantaciones de Visual MESA, a medida que las recomendaciones fueron seguidas y aplicadas por los Operadores de manera continua, se vio que los ahorros potenciales comenzaron a disminuir a medida que transcurría el tiempo. Sin embargo, debido a que las condiciones operativas de una Refinería cambian con frecuencia, cada tanto llegaba un instante en que el modelo identificaba un nuevo ahorro potencial importante. En tal caso se producía y presentaba automáticamente el nuevo conjunto de recomendaciones para los Operadores. Cuando las acciones de optimización se tomaban en consideración y se aplicaban, los ahorros eran nuevamente capturados y el ciclo comenzaba otra vez. Debido a eso, esta herramienta de gerenciamiento se vuelve una especie de perro guardián de la energía que, en forma incansable, alerta y recomienda a los Operadores en todo momento acerca de cómo debe operarse la red de Utilidades con el mínimo costo. Conclusiones Se ha presentado la implementación de un sistema en línea y en tiempo real para el gerenciamiento de la energía en Complejos Químicos, Petroquímicos y de Refinación. Los modelos basados en el software Visual MESA han probado ser optimizadores confiables y robustos, capaces de proporcionar recomendaciones operativas basadas en cálculos realizados a partir de datos tomados en línea desde el sistema de información de Planta. También se calcularon e historizaron los KPIs relacionados al consumo de energía. Eso ha ayudado a reducir los costos operativos así como también a detectar y disminuir las brechas en los consumos energéticos. Referencias 1. "Auditing and control of energy costs in a large refinery by using an on line tool, D. Ruiz, C. Ruiz, J. Mamprin, Depto. de Energías y Efluentes Petronor, (2005), ERTC Asset Maximisation Conference organized by Global Technology Forum, Budapest, May 23-25, 2005 2. Reducing refinery energy costs, Ruiz D., Ruiz C., Nelson D., Roseme G., Lázaro M. and Sartaguda M., (2006), Petroleum Technology Quarterly, pages 103-105, Q1 2006 3. "Online energy management", S. Benedicto, B. Garrote, D. Ruiz, J. Mamprin and C. Ruiz, Petroleum Technology Quarterly, pages 131-138, Q1 2007 4. The Use of an On-line model for Energy Site-Wide Costs Minimisation, García Casas, J.M., Kihn, M., Ruiz D. and Ruiz C., (2007), ERTC Asset Maximisation Conference organized by Global Technology Forum, May 21-23, Rome, 2007 5. "Site-wide Energy Costs Reduction at TOTAL Feyzin Refinery", Département Procédés - Energie, Logistique, Utilités, TOTAL - Raffinerie de Feyzin, D. Ruiz, J. Mamprin and C. Ruiz, ERTC 12th Annual Meeting organized by Global Technology Forum, 19-21 November, Barcelona, 2007 6

6. A Watchdog System for Energy Efficiency and CO2 Emissions Reduction, Diego Ruiz, Carlos A. Ruiz, European Refining Technology Conference (ERTC) Sustainable Refining, Brussels, Belgium, April 2008 7. Online energy costs optimizer at petrochemical plant, Marcos Kihn, Diego Ruiz, Carlos Ruiz, Antonio García Nogales, Hydrocarbon Engineering, pages 119-123, May 2008 8. Real Time Energy Management at Repsol Cartagena Refinery, Fernán Serralunga, Diego Ruiz, Carlos Ruiz, Process Department REPSOL Cartagena Refinery, European Refining Technology Conference (ERTC) Asset Maximisation, Prague, May 2009 9. Industrial Experience on the Implementation of Real Time On Line Energy Management Systems in Sugar and Alcohol Industry, Douglas C. Mariani, Marcos A. Kihn, Carlos A. Ruiz, 10th International Symposium on Process Systems Engineering - PSE2009, Salvador de Bahia, Brazil, Elsevier, August 2009 10. Emissions and Energy: An Integral Approach Using an On-Line Energy Management and Optimization Mode l, Diego Ruiz, Fernán Serralunga, Carlos Ruiz, European Refining Technology Conference (ERTC) Annual Meeting Energy Workshop, Berlin, Germany, November 2009 11. Online real-time optimisation helps identify energy gaps, Marcelo Galleguillos, Michel Maffet, Marcos Kihn, Rubén Monje and Carlos Ruiz. Petroleum Technology Quarterly (PTQ), Q4, 101-109, October 2010 12. Use of Online Energy System Optimization Models, Diego Ruiz and Carlos Ruiz,Chapter 4 of the book Energy Management Systems, ISBN 978-953-307-579-2, edited by P. Giridhar Kini, 2011 (http://intechopen.com/articles/show/title/use-of-onlineenergy-system-optimization-models) Datos del Autor Carlos Alberto Ruiz es Ingeniero Químico de la Universidad Tecnológica Nacional de Rosario, Argentina y cuenta con grados de Master y Doctor en Ingeniería Química de la Universidad Nacional del Sur, Bahía Blanca, Argentina. Se desempeña como Director del Área de Sistemas de Gerenciamiento Energético en Soteica, empresa de consultoría en Ingeniería Química con oficinas en Houston (USA), Buenos Aires (Argentina), Barcelona (España) y San Pablo (Brasil). Tiene más de 30 años de experiencia académica e industrial, habiendo dirigido numerosos proyectos aplicados a la industria de procesos, como optimización en tiempo real tanto a lazo abierto y cerrado, control predictivo basado en modelos y sistemas inteligentes. Ocupa también el cargo docente de Profesor Titular en la Universidad Tecnológica Nacional, Facultad Regional Rosario, Argentina, dictando la asignatura electiva Informática Aplicada a la Ingeniería de Procesos. Email: carlos.ruiz@soteica.com 7