Mathematical modelling and process optimization converge with machine learning to create innovative solutions for sustainable development. In this context, Power-to-Liquid technologies emerge as promising pathways that integrate carbon-neutral energy systems while delivering both economic and environmental benefits. This study presents the simulation, modelling, and multi-objective optimization of an integrated plant for green hydrogen and sustainable dimethyl ether (DME) production. Using the software Aspen Plus, key process units were modelled, including saline water desalination, carbon capture, alkaline electrolysis, CO? hydrogenation for methanol synthesis, and DME production. A surrogate model based on artificial neural networks was implemented to accurately predict the performance of the integrated system. The multi-objective optimization aimed to maximize productivity and energy efficiency, while minimizing operating costs, emissions, and resource consumption. A comparative analysis of metaheuristic, Bayesian, and deterministic approaches revealed that the deterministic optimization provided the best trade-off among production, energy consumption, and economic feasibility, also standing out for its computational efficiency. The optimal configuration achieved a production of 3,035.7 kg DME/h, along with significant reductions in energy consumption and annual costs. These findings confirm that integrating artificial intelligence into process optimization is essential to advancing sustainability in the chemical industry and accelerating the transition toward a low-carbon economy.
El modelado y la optimización matemática de procesos convergen con el aprendizaje automático creando soluciones para el desarrollo sostenible. En este contexto, las tecnologías Power-to-Liquid son soluciones prometedoras que integran sistemas de energía neutrales en carbono, y que generan beneficios económicos y ambientales. Esta investigación desarrolla la simulación, el modelado y la optimización multiobjetivo de una planta integrada para la producción de hidrógeno verde y dimetil éter sostenible (DME). Mediante el software Aspen Plus, se modelaron las unidades clave del proceso: desalinización de agua salina, la captura de carbono, electrólisis alcalina, hidrogenación de CO2 para la síntesis de metanol, y producción de DME. Se implementó un modelo subrogado basado en redes neuronales artificiales para predecir con alta precisión el desempeño del sistema integrado. La optimización multiobjetivo se orientó a maximizar la productividad y la eficiencia energética, mientras minimizó los costos operativos, las emisiones y el consumo de recursos. Un análisis comparativo entre enfoques metaheurísticos, bayesianos y deterministas demostró que la optimización determinista logra el mejor balance entre producción, consumo energético y viabilidad económica, destacando también por su eficiencia computacional. La configuración óptima alcanzó una producción de 3,035.7 kg DME/h, junto con reducciones significativas en el consumo energético y el costo anual. Estos hallazgos confirman que la integración de inteligencia artificial en la optimización de procesos es clave para impulsar la sostenibilidad en la industria química y acelerar la transición hacia una economía baja en carbono.
