optimizaciÓn bicriterio de la cadena de suministros de …

2010 / VI CAIQ

AAIQ Asociación Argentina de Ingenieros Químicos

OPTIMIZACIÓN BICRITERIO DE LA CADENA DE

SUMINISTROS DE LA INDUSTRIA SUCROALCOHOLERA

Fernando D. Mele* y Gonzalo Guillén-Gosálbez‡

*Departamento de Ingeniería de Procesos y Gestión Industrial, FACET

(Universidad Nacional de Tucumán)

Av. Independencia 1800 – T4002BLR San Miguel de Tucumán - Argentina

E-mail: [email protected] ‡Departament d’Enginyeria Química, ETSEQ

(Universitat Rovira i Virgili)

Av. Països Catalans 26 – 43007 Tarragona - España

E-mail: [email protected]

Resumen. El objetivo de este trabajo es presentar una herramienta

cuantitativa de soporte a la toma de decisiones en el ámbito del diseño

óptimo de la cadena de suministros (SC) de la industria del bioetanol

derivado de la caña de azúcar. Por ello, se propone un modelo lineal

multiobjetivo mixto entero que busca minimizar simultáneamente los costos

y el impacto ambiental en cada etapa de la SC. La herramienta se ha

aplicado a un caso de estudio para encontrar diferentes configuraciones de

la SC, confirmándose el compromiso existente entre las funciones objetivo

planteadas. El enfoque ofrece una valiosa visión del problema de diseño, y

constituye una guía para adoptar las alternativas más sostenibles para un

problema tan importante como lo es la gestión de SCs de las biorefinerías.

Palabras claves: Bioetanol, Gestión de Cadenas de Suministros, Análisis del

Ciclo de Vida.

* A quien debe dirigirse la correspondencia

2010 / V CAIQ


1. Introducción

Legar a las generaciones futuras un medio ambiente adecuado para la continuidad de

la civilización se ha convertido en una de las principales preocupaciones de la sociedad

actual, surgiendo la palabra sostenibilidad para referirse a este concepto (Brundtland,

1987). En la actualidad, hay una cierta conciencia sobre la futura reducción de los

recursos energéticos provenientes del petróleo, y los consumidores y los gobiernos son

más exigentes en los aspectos relacionados con la protección del medio ambiente. Por

estas razones, el interés en combustibles renovables también ha aumentado

considerablemente en los últimos años en todo el mundo, siendo el bioetanol uno de los

ejemplos más exitosos de sustitución parcial de los combustibles fósiles por otros de

base biológica.

Si bien el etanol fue usado por primera vez por Henry Ford como combustible

automotor en 1896, recién cobró importancia en la década de 1970, después de la crisis

del petróleo, cuando los países importadores de petróleo se vieron obligados a

desarrollar programas alternativos de combustible a fin de reducir su dependencia del

petróleo. En la actualidad, las enormes inversiones de promoción pública y los

incentivos fiscales hicieron de Brasil y los EEUU los líderes mundiales en la

producción de etanol (alrededor del 90% de la producción de etanol del mundo).

Siguiendo esta tendencia, la Ley de Biocombustibles 26,093 de Argentina (2006)

provee el marco para la inversión, producción y comercialización de etanol y biodiesel.

Tanto las naftas como el gasoil deben mezclarse con un 5% de biocombustible a partir

de 2010. El objetivo de esta ley es diversificar la oferta de energía y promover el

desarrollo de las zonas rurales, especialmente en beneficio de pequeñas y medianas

empresas a los productores agrícolas. La actual producción de etanol en este país está a

cargo de 15 ingenios que utilizan melaza de caña de azúcar en el noroeste del país.

Para cumplir con la directiva oficial, la Argentina tendrá que ampliar la cadena de

suministro (SC) de caña de azúcar para producir alrededor de 270 millones de litros/año

de etanol. El país cuenta con abundantes recursos naturales, un sector agrícola y de

producción eficiente, y una buena infraestructura de exportación (GAIN Report, 2009).

Sin embargo, a pesar de las ventajas del bioetanol, existen aún algunos problemas para

2010 / V CAIQ


resolver. En particular, una de las cuestiones clave que aún sigue abierta es cómo

desarrollar un enfoque más amplio para diseñar de manera óptima la SC de esta

industria, para que sea capaz de satisfacer la demanda de azúcar y etanol en los

mercados en crecimiento, de manera sostenible. Esto no es una tarea trivial por su

complejidad y por la existencia de diferentes criterios contrapuestos a la hora de tomar

decisiones.

Este trabajo se centra en un modelo de programación matemática para la

optimización de la SC de la caña a nivel estratégico y táctico. Las decisiones en estos

niveles (diseño, planificación y programación) tienen un impacto duradero y determinan

la eficacia de las decisiones de los niveles más bajos. Además, tienen un papel muy

importante pues representan una parte importante de la inversión de capital.

Para desarrollar esta herramienta la economía del sistema no debe ser el único

criterio a tener en cuenta, ya que la realidad a menudo incluye otros aspectos que a

veces no pueden expresarse en unidades monetarias. Recientemente, ha habido un

cambio de paradigma para abordar el diseño teniendo en cuenta no sólo los beneficios

económicos de una SC, sino también su desempeño ambiental (Srivastava, 2007).

El objetivo de este trabajo es desarrollar una herramienta cuantitativa, basada en

programación matemática, como soporte a la toma de decisiones en el diseño sostenible

de la SC de la industria de la caña. La principal novedad es el desarrollo de una

formulación matemática que integra todos los componentes de la SC en un marco único

a fin de optimizar las decisiones estratégicas teniendo en cuenta al mismo tiempo los

aspectos económicos y ambientales. Más precisamente, este enfoque incluye el

modelado del problema de diseño como un problema bi-criterio lineal entero mixto (bi-

MILP) que busca maximizar el valor actual neto (NPV) de la SC, minimizando su

impacto ambiental, siendo este último determinado usando los principios del LCA, una

técnica ampliamente reconocida a la hora de cuantificar la carga y el impacto ambiental

potencial ociado a un proceso o actividad (ISO, 2000). La solución del problema de

optimización es un conjunto de alternativas de Pareto, representando cada una de ellas

una configuración diferente de la SC (ej.: número, ubicación, tipo y capacidad de

2010 / V CAIQ


plantas de producción y almacenamiento, y tipo y número de unidades de transporte).

Estas soluciones se obtienen usando técnicas estándares de optimización multiobjetivo.

2. Planteo del problema

Fig. 1. Cadena de suministros de la industria sucroalcoholera para este estudio.

Para plantear formalmente el problema de diseño de la SC, se considera una SC

genérica de tres escalones (producción-almacenamiento-mercado) como la que se

muestra en la Figura 1. Esta red incluye un conjunto de productores de caña,

instalaciones de producción y almacenamiento, y mercados finales. Se cuenta con un

horizonte de tiempo dividido en períodos de tiempo y una zona geográfica específica de

interés que se divide en un conjunto de regiones en las que se pueden establecer las

instalaciones de la SC con el fin de producir y entregar productos a los clientes.

También se tiene en cuenta que cada región tiene una capacidad de producción de caña

de azúcar asociada en cada intervalo de tiempo. Dependiendo de la tecnología, la caña

de azúcar puede ser convertida en azúcar o etanol, y los subproductos de la fabricación

de azúcar, melaza y miel, también pueden ser fermentados a bioetanol. Durante los

2010 / V CAIQ


procesos se genera cierta cantidad de emisiones y residuos. En cuanto a los productos

finales (etanol y azúcares), éstos pueden ser almacenados en un depósito antes de ser

entregados al mercado. Las instalaciones de las diferentes regiones han de estar

conectadas mediante canales de transporte, dependiendo de cada material la elección del

tipo de transporte más adecuado.

El problema del diseño sostenible de la SC puede entonces plantearse formalmente

como sigue:

Dado un horizonte de tiempo fijo, los precios de los productos, los parámetros de

costos de producción, almacenamiento y transporte, las previsiones de demanda de los

productos, impuestos, datos de capacidad de las plantas, almacenes y vías de transporte,

datos de capital fijo, tasa de interés, período de almacenamiento, impuesto sobre los

vertidos, límite máximo para la inversión de capital, y datos ambientales (emisiones

asociadas a la operación de la red y el modelo de daños),

El propósito es determinar la configuración de una red de bioetanol y las decisiones

correspondientes de planificación con el objetivo de maximizar el beneficio y minimizar

el impacto ambiental, ambos calculados sobre toda la vida útil y toda la SC. Las

decisiones incluyen el número, ubicación y capacidad de las plantas de producción y

almacenes que se creará en cada región, su capacidad política de expansión para un

pronóstico dado de precios y demanda en el horizonte de planificación, los vínculos de

transporte y medios de transporte que necesitan establecerse, y las tasas de producción y

los flujos de materias primas, residuos y productos finales.

3. Evaluación de impacto: aplicación de los principios del LCA

En este trabajo, el desempeño ambiental de la red se mide mediante índices de

impacto evaluados siguiendo los principios del Análisis del Ciclo de Vida (LCA), de

manera similar a otros trabajos de los autores (Mele et al., 2005; Guillén et al., 2009).

Esta vez, la novedad radica en la integración del LCA en un marco de optimización para

el diseño de la SC del bioetanol. Se utilizan dos indicadores ambientales: (1) el

potencial de calentamiento global evaluado a través de la metodología CML y (2) el

Eco-indicador 99. La metodología CML 2001 incluye un conjunto de categorías de

impacto y métodos de caracterización propuestos por el Centro de Ciencias

2010 / V CAIQ


Ambientales de la Univ. de Leiden (Frischknecht et al., 2007). Entre estas categorías, se

ha elegido el cambio climático, el cual se relaciona con las emisiones al aire de gases de

efecto invernadero. Los factores se expresan como Potencial de Calentamiento Global

para un horizonte de 100 años (GWP100), en kg de dióxido de carbono/kg de emisión, a

escala mundial. El Eco-indicador 99 (EI99), a su vez, implica el cálculo de once

categorías de impacto que luego se agrupan en una única métrica (Goedkoop y

Spriensma, 1999).

El sistema en estudio es la industria de la caña de azúcar tal como opera actualmente

en la Argentina, considerando también algunas opciones que no serían difíciles de

aplicar en la práctica.

El sistema global se divide en tres subsistemas: (1) Agricultura + Molienda, (2)

Producción de Azúcar, y (3) Producción de Etanol.

El subsistema Agricultura + Molienda incluye todas las actividades relacionadas con

el cultivo y cosecha de la caña, como así también el transporte hacia los ingenios

azucareros, molienda para extraer el jugo, y quemado del residuo celulósico (bagazo) en

calderas para generar vapor y electricidad.

El subsistema Producción de Azúcar considera los procesos de purificación y

concentración del jugo de caña para obtener cristales de azúcar. Aunque existe un solo

proceso para llevar a cabo la purificación en el esquema actual de la producción

argentina (sulfitación, encalado, calefacción, sedimentación y filtración), hay dos

formas de concentrar el jugo clarificado para producir azúcar. La primera tecnología

produce azúcar y la melaza, mientras que la segunda produce azúcar y miel secundaria.

En el subsistema Producción de Etanol, se pueden utilizar tres tipos de destilería en

función de la materia prima que se usa: melaza, miel secundaria o jugo de caña.

Cualquiera de estos tipos de destilerías consumen los mismos insumos (agua, levaduras,

etc.) pero en cantidades diferentes. También producen diferentes cantidades de casi las

mismas emisiones (CO2, compuestos orgánicos volátiles, fusel, etc.) El residuo más

dañino es la vinaza y sus propiedades dependen de la materia prima utilizada en el

proceso. En la actualidad, cada empresa de la Argentina usa diferentes opciones para el

2010 / V CAIQ


tratamiento de residuos. En este estudio se ha considerado la disposición de la vinaza en

los suelos y cursos de agua superficiales.

Los cálculos finales se han realizado con el programa SimaPro 6.0 LCA, usando: (1)

la metodología del Eco-indicador 99 para calcular el EI99 y (2) la metodología CML

2001 (todas las categorías de impacto) v2.04 para calcular el GWP100.

Fig. 2. Límites del sistema considerado en el estudio de LCA.

2010 / V CAIQ


4. Mathematical model

La formulación bi-MILP que se presenta, se basa en la de Almansoori y Shah (2006),

y Guillén-Gosálbez et al. (2009), que abordan el diseño de una SC para el hidrógeno.

Los balances de masa se manejan siguiendo la formulación para SC desarrollada por

Guillén-Gosálbez y Grossmann (2009) para el caso de SCs petroquímicas.

Los aspectos ambientales se han incluido en la formulación con el fin de que sean

considerados junto al objetivo económico tradicional. La solución de este problema bi-

criterio comprende un conjunto de puntos óptimos de Pareto que balancean a los dos

objetivos. Teniendo en cuenta las características particulares de la industria de la caña

de azúcar en la Argentina, este modelo considera las siguientes actividades de la SC:

Fig. 3. Esquema entrada/salida de las cinco tecnologías consideradas.

Producción. En el proceso de molienda, la caña de azúcar se separa en jugo y un

residuo lignocelulósico llamado bagazo. El jugo de caña se trata luego de diferentes

maneras. Una opción es utilizar este jugo para producir azúcar blanco y azúcar crudo.

Hay dos tecnologías para la realización de esta vía: una de ellas genera melaza (T1),

como un subproducto, mientras que la otra genera una miel secundaria (T2). Estos dos

subproductos difieren en su contenido de sacarosa. La melaza es una miel oscura

viscosa cuyo bajo contenido de sacarosa no puede recuperarse por cristalización,

mientras que la miel secundaria tiene una cierta cantidad de sacarosa aún cristalizable.

El etanol anhidro puede producirse por fermentación y subsiguiente deshidratación de

melaza (T3), miel (T4) o jugo de caña (T5). De acuerdo con esto, el modelo considera

cinco tecnologías diferentes, dos para la producción de azúcar y tres para la producción

2010 / V CAIQ


de etanol. Los coeficientes para el balance de masa de cada tecnología se muestran en la

Figura 3.

Almacenamiento. El modelo incluye dos tipos de instalaciones de almacenamiento:

almacenes para los productos líquidos y depósitos para los materiales sólidos. Cada tipo

de planta de almacenamiento tiene un capital fijo más costos unitarios asociados.

Transporte. Las unidades de transporte entregan los productos finales a los clientes y

realizan el suministro a las plantas de producción. En el modelo se considera que las

tareas de transporte puede ser realizadas por tres tipos de camiones: camiones pesados

de caja abierta para la caña de azúcar, camiones medianos para el azúcar y camiones

cisternas para los productos líquidos.

El modelo incluye tres bloques de ecuaciones principales: de balance de masa, de

capacidad y de función objetivo. A continuación se presenta sucintamente cada uno de

estos grupos de ecuaciones.

4.1. Restricciones de balance de masa

El balance de masa global para cada región está representado en la Ec. (1). Para cada

producto i, el stock inicial mantenido en la región g en el período anterior (STisgt−1) más

la cantidad producida (PTigt), la cantidad de material prima comprada (PUigt) y el flujo

de entrada proveniente de otras fábricas de la SC (Qilg′gt), debe ser igual al inventario

final (STisgt) más la cantidad entregada a los clientes (DTSigt) más el flujo de salida hacia

otras instalaciones de la SC (Qilgg′t) y la cantidad de residuos generados (Wigt).

igtl gg

tgiigts

isgtl gg

gtiigtigts

isgt WQDTSSTQPUPTST +++=+++ ∑ ∑∑∑ ∑∑≠≠

−'

'lg'

lg'1

tgi ,,∀ (1)

Las compras de caña de azúcar están limitadas por la capacidad de las plantaciones

existentes en la región g, en el intervalo de tiempo t:

tgcañaiCapCropPU gtigt ,,, ∀=≤ (2) Además, la cantidad de productos despachados a los mercados finales debe ser

menor o igual a la demanda (SDigt):

tgiSDDTS igtigt ,,, ∀≤ (3)

2010 / V CAIQ


La existencia de vínculos de transporte entre dos regiones g y g’ se representa con

una variable binaria Xlgg′t que vale 1 si este vínculo existe, de lo contrario vale 0. Una

región puede importar o exportar material i, pero no ambas cosas al mismo tiempo:

tgggglXX tliggtligg ),'(',,,1'' ≠∀≤+ (4)

4.2. Restricciones de capacidad

La tasa de producción mediante la tecnología p en la región g está limitada por un

porcentaje mínimo que deben ser utilizado, τ , multiplicado por la capacidad existente

(representada por la variable continua PCappgt) y la capacidad máxima:

tgpiPCapPEPCap pgtipgtpgt ,,,, ∀≤≤τ (5)

La capacidad de la tecnología p en el período t se calcula sumando la capacidad

existente al final del período t-1 más la expansión de capacidad, PCapEpgt, del período

t:

tgpPCapEPCapPCap pgtpgtpgt ,,, ∀+= (6)

La Ec. (7) limita la expansión de capacidad entre un límite superior y uno inferior,

que se calcula a partir del número de plantas instaladas en la región (NPgpt) y las

capacidades mínima y máxima asociadas con cada tecnología p (PCapp y PCapp).

tgpNPPCapPCapENPPCap pgtppgtpgtp ,,∀≤≤ (7)

Como ocurre con las plantas, la capacidad de almacenamiento y los flujos de

transporte están restringidos entre un límite inferior y uno superior.

4.3. Función objetivo

El modelo optimiza el rendimiento económico y medioambiental de la SC. El

objetivo económico es el valor actual neto (NPV), calculado a lo largo del horizonte de

tiempo completo, mientras que el impacto ambiental se mide según las métricas

definidas en la Sección 3.

Valor actual neto

EL NPV se calcula a partir de los flujos de caja descontados (CFt) generados en cada

intervalo de tiempo t en que está dividido el horizonte de tiempo:

2010 / V CAIQ


∑ −+=

tt

t

irCF

NPV 1)1( (8)

En esta ecuación, ir representa la tasa de interés. El flujo de caja se calcula a partir de

las ganancias netas, y de la fracción de capital depreciable de ese período (FTDCt).

Las ganancias netas son la diferencia entre los ingresos (Revt), generados por las

ventas de los productos, los costos de operación de las instalaciones (FOCt) y del

transporte (TOCt), y la depreciación.

La depreciación se calcula linealmente a partir de los costos fijos totales de

inversión, FCI, el cual tiene en cuenta la expansión de capacidad en plantas y

almacenes, como así también las compras de unidades de transporte.

Impacto ambiental

En el contexto de la SC de la industria de la caña, las intervenciones ambientales

provienen de la producción de materia prima –caña–, las tareas de fabricación y

almacenamiento, y el transporte de materia entre regiones.

Matemáticamente, el inventario de emisiones debido a la operación de la red puede

calcularse a partir de la producción de las plantas (PEipgt), y de los flujos de transporte

(Qilgg′t), como establece la Ec. (9).

∑∑ +=tlggi

Trbtgi

tpgibpigptb QPELCI

,,',,'lg

,,,

Pr ωω (9)

ωbpPr y ωb

Tr representan las entradas del inventario del ciclo de vida (emisiones

liberadas al ambiente o recursos tomados de la ecosfera) asociados con la especie

química b por unidad de flujo de referencia. En el caso de la producción, el flujo de

referencia es una unidad de producto principal producido. Para tareas de transporte, el

flujo de referencia es una unidad de masa transportada una unidad de distancia.

El daño causado se calcula a partir del inventario del ciclo de vida y el

correspondiente factor de daño (υb) siguiendo algún modelo, como establece la Ec. (10).

∑=b

bb LCIDAM υ (10)

En este caso particular, los valores para υb se han tomado de los modelos GWP100 ó

EI99, dependiendo del tipo de indicador en el se quiera basar el impacto ambiental.

Problema multi-objetivo

2010 / V CAIQ


La formulación resultante para el bi-MILP es la siguiente:

(M) { }),,();,,(min,,

YXxDAMYXxNPVNXx− , { } +∈∈ℜ∈ ZYXx ,1;0, (11)

Aquí, x denota genéricamente a las variables continuas del problema (aumentos de

capacidad, tasas de producción, niveles de inventario y flujos de materia), X representa

las variables binarias (existencia de enlaces de transporte), e Y son las variables enteras

como el número de plantas, almacenes y unidades de transporte.

En este trabajo, las soluciones de Pareto del problema se calculan mediante el

método de la restricción ε (Ehrgott, 2000), que implica resolver un conjunto de

instancias del problema (M) correspondientes a los diferentes valores del parámetro

auxiliar ε.

5. Caso de estudio

Fig. 4. Fronteras de Pareto entre GWP100 y NPV y valores correspondientes de EI99.

A fin de ilustrar las capacidades del enfoque propuesto, se presenta un caso de

estudio sobre la base de la industria de la caña en la Argentina. El alcance geográfico

del problema ha sido definido de acuerdo a las divisiones administrativas (provincias)

del país en 24 regiones, con la correspondiente demanda de azúcar y etanol.

2010 / V CAIQ


Por razones de espacio, los valores de la demanda por región, los precios de los

productos finales, distancias entre mercados, capacidad de cultivo, límites máximo y

mínimo de capacidad, y parámetros de costo y de impacto ambiental, no se publican

pero están a disposición de los lectores interesados.

El modelo bi-criterio descripto en la sección previa ha sido escrito en GAMS y

resuelto con CPLEX 11.0 en una HP Compaq DC5850 PC con procesador AMD

Phenom 8600B, 2.29 GHz triple-core, y 2.75 Gb de RAM. Siguiendo la metodología

descripta, se han obtenido las soluciones Pareto para ambos indicadores ambientales

(GWP100 y EI99) versus NPV. Cada instancia del problema (M) para estos objetivos se

ha resuelto con un gap de optimalidad cero.

Curva de Pareto de GWP100 vs NPV

En la Figure 4 la curva roja muestra los puntos de Pareto resultantes entre GWP100 y

NPV, lo cual representa la relación de compromiso entre ambos objetivos. Como puede

observarse, la reducción de las emisiones de CO2 sólo puede lograrse a costa de reducir

el beneficio. Las Figuras 5y 6 muestran las configuraciones de las SCs con máximo

NPV y mínimo GWP100, respectivamente. En la solución de mínimo GWP100, la SC

incluye 7 ingenios que usan tecnología T1, 5 destilerías T3 que convierten melaza en

etanol, y 4 destilerías T5. Estas instalaciones se ubican dentro de las cinco provincias

que tienen plantación de caña. Esto resulta en una gran disminución de las emisiones de

CO2, dado que el cultivo de la caña tiene un valor negativo de GWP100. La elección de

la pareja T1-T3 en la tecnología de producción está también dada por su menor valor de

GWP100 si se compara con el par T2-T4.

Si se compara con la solución con mínimo GWP100, la estructura de la SC con

mínimo NPV es más centralizada. Cuatro ingenios T2, dos destilerías T4 y dos

destilerías T5 se ubican exclusivamente en el NO de la Argentina. La combinación de

tecnologías T2-T4 puede explicarse por el mayor rendimiento de etanol de esas

tecnologías. Particularmente, la combinación de T1-T3 puede convertir 100 kilogramos

de caña en 1,23 kg de etanol, mientras que el par T2-T4 puede lograr 2,24 kg de etanol

para la misma cantidad de caña. Sin embargo, el alto costo de capital para el

almacenamiento de productos líquidos resulta en la situación de que se construyen este

2010 / V CAIQ


tipo de almacenamiento exclusivamente en las provincias con alta demanda de etanol,

incluso cuando estas provincias estén lejos de las plantas de producción. Por el

contrario, la reducción de GWP100 conduce al establecimiento de almacenes en las

provincias vecinas y a la minimización de las emisiones de CO2 asociadas al transporte.

Fig. 5. Solución de máximo NPV.

Fig. 6. Solución de mínimo GWP100.

En la Figura 4 la curva azul muestra los valores correspondientes de EI99 para las

soluciones de Pareto entre GWP100 y NPV. Como se observa, los intentos de reducir el

CO2 resultan en un aumento de otros tipos de incidencia ambiental, y la solución

GWP100 mínima tiene un valor mayor de EI99 que en la solución de NPV máximo.

Esto se debe principalmente a la agricultura de la caña de azúcar. Particularmente, la

planta de caña consume una gran cantidad de CO2, aunque su cultivo tiene aspectos

negativos asociados (tales como uso de la tierra y emisiones inorgánicas al aire) que

2010 / V CAIQ


reducen los efectos positivos de la absorción de CO2 y hacen positivo el valor del

impacto total.

6. Conclusiones

En este trabajo se ha abordado el diseño y la planificación óptima sostenible de la SC

de la industria de la caña azucarera. El problema fue formulado como un MILP bi-

criterio que busca minimizar costos e impacto ambiental. El impacto ambiental se midió

de manera holística a lo largo del ciclo de vida completo del proceso mediante la

aplicación de metodologías basadas en LCA: Eco-indicador 99 y CML v.1.

Las capacidades del enfoque de modelado propuesto y la estrategia de solución se

ilustran a través de un caso de estudio basado en un escenario real. Las soluciones de

Pareto calculado por el algoritmo proporcionan información valiosa sobre el problema

de diseño y proponen alternativas de proceso que pueden conducir a mejoras

ambientales significativas. Este análisis es muy útil para orientar a las autoridades en la

adopción de políticas estratégicas más sostenible en el ámbito de la agroindustria y la

energía, y para orientar en la adopción de alternativas más sostenibles.

Agradecimientos

Los autores desean agradecer el apoyo del CONICET (Argentina), y de los

Ministerios de Educación y Ciencia (proyecto DPI2008-04099), y de Asuntos

Exteriores de España (proyectos A/023551/09 y HS2007-0006).

References

Almansoori, A., Shah, N. (2006). Design and operation of a future hydrogen supply chain – snapshot model,

Chemical Engineering Research & Design, 84 (A6), 423-438.

Ehrgott, M. (2000). Multicriteria optimization. Berlin: Springer.

Frischknecht, R., Jungbluth, N., Althaus, H. J., Doka, G., Dones, R., Hischier, R., Hellweg, S., Humbert, S., Margni,

M., Nemecek, T., Spielmann, M., (2007). Implementation of Life Cycle Impact Assessment Methods: Data v2.0.

Ecoinvent report No. 3, Swiss centre for Life Cycle Inventories, Dübendorf, Switzerland.

GAIN Report. (2009). Argentina. Biofuels annual. USDA Foreign Agricultural Service.

Goedkoop, M. J., Spriensma, R. S. (1999). The Eco-indicator 99, Methodology report. A damage oriented LCIA

Method. VROM The Hague, The Netherlands, 1999.

Guillén-Gosálbez, G.; Grossmann, I. E. (2009). Optimal Design and Planning of Sustainable Chemical Supply

Chains Under Uncertainty, AIChE Journal, 55(1), 99-121.

2010 / V CAIQ


Guillén-Gosálbez, G.; Mele, F. D.; Grossmann, I. E. (2009). A bi-criterion optimization approach for the design and

planning of hydrogen supply chains for vehicle use, AIChE Journal, 56(3), 650-667.

International Organisation for Standardisation (ISO). Series of standards on Ambiental Management and Life-Cycle

Assessment: ISO 14040 (1997), ISO 14041 (1998) ISO 14042 (2000), ISO 14043 (2000).

Mele, F. D., Espuña, A., Puigjaner, L. (2005). Ambiental impact considerations into Supply Chain Management

based on Life-Cycle Assessment. In: Castells, F. and J. Rieradevalls (Ed.), LCM 2005: Innovation by Life-Cycle

Management. Barcelona: Gráficas Font, 428–433.

Our Common Future. (1987). (Also known as the Brundtland Report). Oxford: Oxford University Press.

Srivastava, S. K. (2007). Green supply-chain management: A state-of-the-art literature review literature review,

International Journal of Management Reviews, 9(1), 53-80.

optimizaciÓn bicriterio de la cadena de suministros de …

Documents