Una formulación de GDP en tiempo continuo para la programación integrada de sistemas reales de producción de vino
Palabras clave:
planeamiento a corto plazo, elaboración de vinos, optimizaciónResumen
La programación de procesos batch multietapa sigue siendo un problema desafiante en la ingeniería de sistemas de procesos. En la industria de producción de vino, las decisiones de procesamiento y almacenamiento están estrechamente acopladas; sin embargo, la mayoría de las formulaciones existentes tratan estos aspectos por separado o se basan en representaciones simplificadas d e l a d inámica d e a lmacenamiento. Este trabajo presenta un marco unificado para la p rogramación integrada de una planta real de producción de vino multiproducto en España (Bodega Vera de Estenas), en estrecha colaboración con el equipo de ingeniería de la planta. El modelo propuesto se formula como un problema en tiempo continuo, basado en eventos, utilizando Programación Disyuntiva Generalizada (GDP). Las decisiones operativas clave, incluyendo la activación de tareas y la asignación de unidades, se representan mediante disyunciones, lo que permite una formulación compacta y expresiva de relaciones lógicas complejas. La función objetivo minimiza el tiempo total de producción, satisfaciendo al mismo tiempo la demanda de productos y preservando la factibilidad operativa en recursos compartidos. El estudio demuestra cómo modelos avanzados de optimización pueden implementarse eficazmente en un contexto industrial de elaboración de vino para apoyar la toma de decisiones informadas y basadas en datos.
Descargas
Referencias
Bohle, C., Maturana, S., & Vera, J. (2010). A robust optimization approach to wine grape harvesting scheduling. European Journal of Operational Research, 200(1), 245–252. https://doi.org/https://doi.org/10.1016/j.ejor.2008.12.003
Bynum, M. L., Hackebeil, G. A., Hart, W. E., Laird, C. D., Nicholson, B. L., Siirola, J. D., Watson, J.-P., & Woodruff, D. L. (2021). Pyomo–optimization modeling in python (Third, Vol. 67). Springer Science & Business Media.
Chen, Q., Johnson, E. S., Bernal, D. E., Valentin, R., Kale, S., Bates, J., Siirola, J. D., & Grossmann, I. E. (2022). Pyomo.GDP: an ecosystem for logic based modeling and optimization development. Optimization and Engineering, 23(1), 607–642. https://doi.org/10.1007/s11081-021-09601-7
Cholette, S., Maturana, S., & Mac Cawley, A. (2019). Scheduling fermentation tanks optimally. Proceedings of the 13th Annual Conference of the American Association of Wine Economists (AAWE). https://www.wineeconomics.org
Grossmann, I. E. (2002). Review of nonlinear mixed-integer and disjunctive programming techniques. Optimization and Engineering, 3(3), 227–252. https://doi.org/10.1023/A:1021039126272
Grossmann, I. E., & Trespalacios, F. (2013). Systematic modeling of discretecontinuous optimization models through generalized disjunctive programming. AIChE Journal, 59(9), 3276–3295. https://doi.org/10.1002/aic.14088
Gurobi Optimization, LLC. (2026). Gurobi Optimizer Reference Manual. https://www.gurobi.com
Hart, W. E., Watson, J.-P., & Woodruff, D. L. (2011). Pyomo: Modeling and solving mathematical programs in python. Mathematical Programming Computation, 3(3), 219–260.
Ierapetritou, M. G., & Floudas, C. A. (1998). Effective continuous-time formulation for short-term scheduling. 1. multipurpose batch processes. Industrial & Engineering Chemistry Research, 37(11), 4341–4359. https://doi.org/10.1021/ie970927g
Kondili, E., Pantelides, C., & Sargent, R. (1993). A general algorithm for shortterm scheduling of batch operations—I. MILP formulation [An International Journal of Computer Applications in Chemical Enginnering].
Computers & Chemical Engineering, 17(2), 211–227. https://doi.org/10.1016/0098-1354(93)80015-F
Lee, S., & Grossmann, I. E. (2000). New algorithms for nonlinear generalized disjunctive programming. Computers & Chemical Engineering, 24(9), 2125–2141. https://doi.org/10.1016/S0098-1354(00)00581-0
Lillo Otarola, L., de la Fuente-Mella, H., Peña Domarchi, A., Kundu, A., & Ceroni-Díaz, J. (2025). Optimal scheduling of the wine-bottling process: A multi-dependency model with hydraulic considerations. Applied Sciences, 15(9), 4697. https://doi.org/10.3390/app15094697
Méndez, C. A., Cerdá, J., Grossmann, I. E., Harjunkoski, I., & Fahl, M. (2006). State-of-the-art review of optimization methods for short-term scheduling of batch processes. Computers & Chemical Engineering, 30(6), 913–946. https://doi.org/10.1016/j.compchemeng.2006.02.008
Raman, R., & Grossmann, I. (1994). Modelling and computational techniques for logic based integer programming [An International Journal of Computer Applications in Chemical Engineering]. Computers & Chemical Engineering, 18(7), 563–578. https://doi.org/10.1016/0098-1354(93)E0010-7
Shah, N., Pantelides, C., & Sargent, R. (1993). A general algorithm for shortterm scheduling of batch operations—II. Computational issues [An International Journal of Computer Applications in Chemical Engineering]. Computers & Chemical Engineering, 17(2), 229–244. https://doi.org/10.1016/0098-1354(93)80016-G
Tarko, T., Duda-Chodak, A., Sroka, P., & Siuta, M. (2020). The impact of oxygen at various stages of vinification on the chemical composition and the antioxidant and sensory properties of white and red wines. Int J Food Sci, 2020, 7902974.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Germán M. Heim, Eduardo Vives Martínez, Erica Schulz, Guillermo Durand
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
