Simulación y optimización de procesos para la producción sostenible de químicos verdes: hacia una industria ecoeficiente

Abstract

This study proposes the simulation and optimization of processes for producing green hydrogen, ammonia, and urea using Aspen PlusTM software and renewable resources. Strategies such as mass and energy integration are implemented, significantly reducing environmental impact by decarbonizing key industrial processes. Circular economy metrics and life cycle analysis highlight efficient resource use, waste minimization, and system sustainability. Artificial Neural Networks (ANN) were employed to develop accurate models for predicting critical process variables. The models achieved R² values above 0.99, demonstrating excellent performance in green ammonia and CO2 capture processes, despite some variations in percentage error. Multi-objective optimization was carried out using deterministic, metaheuristic, and Bayesian approaches, with deterministic solutions standing out for balancing sustainability and efficiency in less computational time. Aspen Plus simulations validated the accuracy of ANN models, with errors below 2.1%. The integration of ANN and traditional simulations optimizes ecological processes, demonstrating technical feasibility and contributing to the transition toward a more sustainable industry. This approach strengthens the development of clean technologies, carbon capture, and green fertilizer production, establishing a solid foundation for future research.

Este trabajo propone la simulación y optimización de procesos para la producción de hidrógeno, amoníaco y urea verdes mediante el software Aspen PlusTM, utilizando recursos renovables. Se integran estrategias de diseño como optimización másica y energética, reduciendo significativamente el impacto ambiental al descarbonizar procesos industriales clave. Además, se evalúan métricas de economía circular y análisis de ciclo de vida, resaltando el uso eficiente de recursos, la minimización de desechos y la sostenibilidad del sistema. El empleo de Redes Neuronales Artificiales (RNA) permitió desarrollar modelos precisos para predecir variables críticas en los procesos. Los modelos lograron valores de R² superiores a 0.99, mostrando excelente desempeño en amoníaco verde y captura de CO2, aunque con variaciones en el error porcentual. La optimización multiobjetivo se realizó mediante enfoques deterministas, metaheurísticos y bayesianos, destacando las soluciones deterministas por equilibrar sostenibilidad y eficiencia en menor tiempo computacional. Las simulaciones de Aspen Plus® validaron la precisión de las RNA, con errores menores al 2.1%. La integración de RNA y simulaciones tradicionales permite optimizar procesos de manera ecológica, demostrando viabilidad técnica y contribuyendo a la transición hacia una industria sostenible. Este enfoque refuerza el desarrollo de tecnologías limpias, captura de carbono y producción de fertilizantes verdes, estableciendo bases sólidas para futuras investigaciones.