Professional Documents
Culture Documents
E-mail:{amicarelli;fernando}@inaut.unsj.edu.ar
§
Escuela de Procesos y Energía. Facultad de Minas. Grupo de Automática.
Universidad Nacional de Colombia. E-mail: hdalvare@unalmed.edu.co
+Instituto de Ing. Química. Universidad Nacional de San Juan.
E-mail: rortiz@unsj.edu.ar
1. Introducción
producto (dP / dt ) (Ieroham S., 2003). Estos modelos suelen incorporar ecuaciones
algebraicas, la más utilizada es la de Monod (Monod J., 1949). El papel que desempeña
el Oxígeno Disuelto (OD) en los bioprocesos no es tratado frecuentemente en la
literatura, más bien es una excepción. Znad H. et al (2004) modelan la dinámica del OD
en el modelo de fermentación para la producción de ácido glucónico a través de
Aspergillus Niger. Nielsen D. et al (2003) presentan una correlación empírica para
representar el coeficiente de transferencia de oxígeno de un biorreactor. Existen
numerosos trabajos donde se modela la dinámica de OD pero la aplicación no se
encuentra en el área de bioprocesos (Lee J. et al, 1991; Gaudenta S., 2001; Radwan M.
et al, 2003; Donald D. et al, 2004). La dinámica de OD no es importante para los
microorganismos anaerobios, pero en el caso de los aerobios si lo es, sólo que muchos
procesos intentan asegurarse el suministro de oxígeno con un exceso del mismo y/o con
un control del OD en el medio, esto ocurre en el trabajo de Atehortúa P. et al (2005,
2006). Moraes I. et al (1981) reportan datos para la concentración crítica de oxígeno en
Bt, pero en estos trabajos no se tiene en cuenta que altas concentraciones de OD tienen
un efecto positivo sobre la formación de compuestos de O2 tóxicos para Bt que
2. Materiales y Métodos
dV
= Fen + Fmedio . fresco + F R − Fsal Balance Total de masas (1)
dt
dX v ⎛ FR ⎞ ⎛ Fen + Fmedio . fresco + FR ⎞
=⎜ ⎟ X v , R − ⎜⎜ ⎟⎟ X v + (μ − k s − k e )X v Balance de células vegetativas (2)
dt ⎝V ⎠ ⎝ V ⎠
corrientes de reciclo del filtro, F son corrientes provenientes del filtro, sal son corrientes
de salida. El modelo presenta el balance de sustrato secundario y ecuaciones algebraicas
que no se exponen aquí, para mayor detalle remitirse a (Atehortúa P. et al, 2005, 2006).
1
Concentración [gr/lts]
0.9
0.8
0.7
0.6
0.5
0.4
observador basado en las dinámicas del oxígeno disuelto y la del sustrato y la otra
proveniente del observador basado en RNA. Asumiendo que el valor óptimo es X viOPT
para cada secuencia en tiempo y la relación entre estos valores está dada por:
X vi = X viOPT + v i (7)
Kalman descentralizado (Brawn, 1997). En la Fig. 3 se pueden ver los filtros locales
(uno para cada secuencia de mediciones), el filtro maestro y las diferentes variables
involucradas.
Secuencia Filtro de
de mediciones Kalman
Xv1 Local 1 Xv1OPT
Filtro
Secuencia Maestro o Filtro
Filtro de
de mediciones Kalman de Fusión Xv
Xv2 Local 2 Xv2OPT
(
Xˆ vi (k + 1) = Xˆ vi (k ) + μ X vi (k ) − Xˆ vi (k ) ) (8)
⎝
(
R i = R i + μ ⎛⎜ X vi − Xˆ vi ) − R ⎞⎟⎠
2 i
(9)
(P ) = (M ) + (R )
i −1 i −1 i −1
(10)
[
X vi.OPT = P i m i M i ( ) + (R )
−1 i −1
X vi ] (11)
La ec. (10) brinda la matriz de información actualizada y la ec. (11) son las
actualizaciones de los estados estimados; M i y m i son el error de covarianza y los
valores de estimación previos para las secuencias de mediciones X vi respectivamente.
Todos los valores filtrados son fusionados para obtener el óptimo valor de la estimación
de biomasa.
AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE - Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ
⎡m ⎛ X i.OPT m i ⎞⎤
X v = P ⎢ + ∑ ⎜⎜ vl i − i ⎟⎟⎥ (12)
⎣M i ⎝ P M ⎠⎦
Con
∑ ⎡⎢⎣(P i ) ( )
−1 −1 ⎤
P −1 = M −1 + − Mi (13)
⎥⎦
i
Así, se concluye que esta arquitectura permite la autonomía completa de los filtros
locales. El sistema alcanza optimalidad individual en cada filtro local y optimalidad
global en el filtro principal.
3. Resultados y discusión
Dependiendo de como sean los Fen y Fsal surgen, básicamente, tres sistemas:
Sistema Continuo. Ambos caudales son iguales Fen= Fsal=F y por lo tanto V es
constante dV/dt = 0 por lo que la ec. (15) se reduce a:
dC OD
V⋅ = F ⋅ (C ODen − C OD ) + V ⋅ ( rg − rc ) (17)
dt
Por lotes Alimentado (Fedbatch). El caudal de salida es nulo Fsal=0 por lo que V
aumentará en el tiempo en función del caudal de entrada dV/dt=Fen. La ec. (15) queda:
d (V ⋅ C OD )
= Fen ⋅ C ODen + V ⋅ (rg − rc ) (18)
dt
Proceso por lotes (Batch). Ambos caudales son nulos Fen=Fsal=0 por lo que los dos
primeros términos de la ec. (15) desaparecen1 dV/dt=0.
d (COD )
= (rg − rc ) (19)
dt
Término de generación de oxígeno. Sólo una parte del caudal de aire introducido
en los reactores se disuelve en el medio, dependiendo de la eficiencia de los elementos
de aireación y de la proximidad a la concentración de saturación del O2 en el medio
líquido (C OD* ) . Esto se evidencia en el modelo de la forma:
medio, [g.litro-1], C
OD
* es la concentración de equilibrio de O2. [g.litro-1] y QA es el
1
La duración del cultivo por lotes es limitada y depende de las condiciones iniciales del cultivo. Una vez inoculado
el medio, la concentración de biomasa aumenta a expensas de los nutrientes y cuando el sustrato que limita el
crecimiento se agota, finaliza el lote.
Batch d ( C OD ) K 1 dX
= [( K 3 ⋅ Q A ( C OD * − C OD ))] − [ v
+ K 2 ⋅ X v]
dt Y x / O 2 dt
C o ), tomándose como hipótesis que los demás componentes disueltos en el agua del
sustrato no afectan significativamente la solubilidad del oxígeno. Q A = 22 [litro.min-1].
eliminar las altas frecuencias y luego a la señal filtrada se le realizó una aproximación
polinómica de manera de obtener una señal derivable, ver Fig. 3.
x 10
-3 Filtrado de la señal original -3
Aproximación polinómica de la señal filtrada
8 x 10
7
7
Concentraciones [gr/lt]
Concentraciones [gr/lt]
6
6
5
5
4 4
3
3
2
Datos Originales 2 Aproximación polinómica
1
Datos Filtrados Concentración Original Filtrada
0 1
0 5 10 15 20 25 30 0 2 4 6 8 10 12 14 16 18 20
(a) Tiempo
Tiempo[hr]
[h] (b) Tiempo [h][hr]
Tiempo
Fig. 3. (a) COD Experimental y filtrada. (b) COD Filtrada y aproximación polinómica
(sin datos de comienzo y fin). Ambas figuras para la Fermentación 1.
efectuará la estimación de parámetros del modelo, en contraste con los datos originales
(el mismo procedimiento se usó en todas las fermentaciones). Por otro lado, se posee un
dato experimental de biomasa X v por hora. Se completó el vector de biomasa de
16
Concentraciones [gr/lt]
Concentraciones [gr/lt]
14
5
12
4
10
3 8
6
2
4
1 Aproximacion polinómica Aproximación polinómica
2
Datos Originales Señal Xv Original
0
0 2 4 6 8 10 12 14 16 18 0
0 2 4 6 8 10 12 14 16 18 20
(a) Tiempo [hr] [h]
Tiempo (b) Tiempo
Tiempo[h]
[hr]
7
Datos Experimentales 4
Concentraciones [gr/lt]
Concentraciones [gr/lt]
3
5
2.5
4
2
3
1.5
2
1
1
0.5 Datos Experimentales
0
0 5 10 15 0 Salida del Modelo
0 2 4 6 8 10 12 14 16
(a) Tiempo
Tiempo [hr]
[h] (b) Tiempo [h]
Tiempo [hr]
k1
Considerando: K 1 = (23)
Yx / O2
Despejando:
dX v d (C OD )
K1 + K2 ⋅ X v = − + [( K 3 ⋅ Q A (C OD * − COD )] (24)
dt dt
Discretizando:
K1 ⋅
[Xv (k) − Xv (k −1)] + K ⋅ X (k) = −COD (k) + COD (k −1) + K ⋅Q ⋅[C −COD(k)] (25)
2 v 3 A OD*
to to to
Despejando:
⎡ K1 ⎤
⎢ to + K 2 ⎥ ⋅ X v (k ) = to ⋅ X v (k − 1) − to (k ) + to (k − 1) + K 3 ⋅ Q A ⋅ [COD* − COD (k )]
K1 COD COD
⎣ ⎦
Finalmente:
1 ⎧K ⋅ ⎫
⋅ ⎨ 1 X (k − 1) − OD (k ) + OD (k − 1) + K 3 ⋅ QA ⋅ [COD* − COD (k )]⎬ (26)
C C
X (k ) =
⎡ K1 ⎤ ⎩ to to to ⎭
⎢ to + K 2 ⎥
⎣ ⎦
Donde to es el tiempo de muestreo.
A partir de la ec. 26 puede estimarse la biomasa a partir de datos de concentración de
OD (COD ) y de X v (k − 1) , todas las demás constantes o parámetros son conocidos para
fueron filtrados mediante un filtro pasa bajos de forma de eliminar las altas frecuencias.
La concentración de microorganismos inicial es conocida para todas las fermentaciones.
Como se observa en las Fig.6, el observador brinda una estima adecuada de la biomasa.
(a) (b)
partir del balance de OD promediándose con esta última durante las primeras horas y
luego el observador basa su predicción en información de la concentración de OD.
( Sp (k ) − Sp (k − 1)) / to
X (k ) = (27)
(− μ / Y XS ) − ms
Con las ecuaciones 26 y 27 el observador de estado llamado en este caso OSpOD,
muestra un comportamiento mejorado en las primeras horas del batch respecto al
OBOD, esto puede apreciarse en la Fig. 7.
(a) (b)
Mediciones
Experimentales
de Sustrato
Vector
Primario (SP) X(k)
de
RNA
Mediciones
Entrada
Experimentales a la red
de Oxígeno
Disuelto (OD)
X(k-1) X(k-2)
SP[1,1889]
OD[1,1889] X (k)
X(k-1), X (k-2)
Donde: Enor es la entrada normalizada. Ereal , son los datos originales sin normalizar
y min,max son respectivamente el mínimo y máximo de la señal.
En la Fig.10 se observan resultados del entrenamiento de la RNA La tasa de
aprendizaje se fijó en η = 0.7 y el momento α = 0.3 . El error porcentual final de
entrenamiento fue de 0, 16 %.
(a) (b)
(a) (b)
(a) (b)
5. Conclusiones
En este trabajo se realizó el modelado de la dinámica del oxígeno disuelto (OD) para
el proceso de producción de ∂- endotoxinas de Bt con el propósito de diseñar un
observador de estados derivado de esta dinámica (OBOD). El observador resultante
brinda una estima adecuada de la biomasa basándose sólo en información proveniente
del balance de OD. Se mejora la estima entregada por OBOD al incorporarse
información del balance de sustrato primario durante las primeras horas de la
fermentación (OSpOD). Se propuso también un segundo estimador (OBRNA) basado
en una red neuronal artificial (RNA), cuyos resultados brindan una estima muy
satisfactoria y finalmente se comparó el resultado brindado por los observadores
propuestos con el entregado al realizar la fusión sensorial de los observadores a través
Referencias
Adilson, J., Rubens, M. (2000). Soft sensors development for on-line bioreactor state estimation. Computers and
Chemical Engineering. V. 24, 1099-1103.
Amicarelli A., di Siascio F., Álvarez H., Ortiz O. (2006). Modelado de la dinámica de oxigeno disuelto en el proceso
de producción de ∂ -endotoxinas de Bt. AADECA 2006 – XX○ Congreso Argentino de Control Automático. 28
al 30 de Agosto. Bs As, Argentina.
Atehortúa P., Álvarez H., Orduz S. (2005). Modelado del proceso de producción de ∂ -endotoxinas de Bacillus
thuringiensis en un reactor discontinuo alimentado a pulsos con retención celular completa. XI Reunión de
Trabajo en Procesamiento de la Información y Control.
Atehortúa P., Álvarez H., Orduz S. (2006). Comments on: “A Sporulation Kinetic Model for Batch Growth of B.
thuringiensis” The Canadian Journal of Chemical Engineering, June 2006, V. 84, No. 3.
Brawn R. , Hwang P. (1997) “Introduction to Random Signals and Applied Kalman Filtering 3rd ed.,” John Wiley &
Sons: New York, pp. 371-375.
Bernard O. (2001). State Estimation for bioprocess. Lectures given at the Summer School on Mathematical Control
Theory. Trieste, 3-28 September.
Boillereaux L. Flaus J. (2000). A New Approach for Designing Model-Based Indirect Sensors. IEEE Transactions
on Control Systems Technology. V. 8, No 4.
Dochain, D. (2002). State A State Observer for (Bio)Processes with Uncertain Kinetics. Proceedings of the American
Control Conference. Anchorage, AK May 8-1 0.
Dochain, D. (2003). State and Parameter Estimation in Chemical and Biochemical Processes: A Tutorial. Journal of
Process Control, 13, 801-818.
Donald D, Emerald M., Thomas S. (2004). Oxygen Sag Models for multiorder Biochemical Oxygen Demands
Reactions. Journal of Environmental Engineering. V.130, Issue 7, pp. 784-791.
Dondo, R. y Marques, D.(2002) Mass and energy balances as state-space models for aerobic batch fermentations.
Lat. Am. Appl. Res.. vol.32, no.2 p.195-204.
Dorsey, A. W., Lee, J. H. (2003). Building Inferential Prediction Models of Batch Processes using Subspace
Identification. Journal of Process Control, V. 13, 397-406.
Gaudenta S. (2001). Dissolved Oxygen Balance Model for Neris. Nonlinear Analysis: Modelling and Control, V. 6,
No 1, pp. 105-131.
Haykin S. (1999). Neural Networks: A comprehensive Foundation. Second Edition by Prentice-Hall, Inc. Upper
Saddle River, New Jersey 07458. pp. 161-175
Herbst J.A., Pate W.T. (1999). Object components for comminution system softsensor design. Powder Technology
105_1999.424–429
Ieroham S. (2003). An Adaptive Neural Control of a Fed-Batch Fermentation Processes. Control Applications. IEEE
Conference on. V. 1, pp.808-812.
Leal R., Butler P, Lane P., Payne P. (1997). Data fusion and artificial neural networks for biomass estimation.
Science Measurement and Technology. IEEE Procedings V. 144, Issue 2, pp.69-72 .
Leal Ascencio R.(2001) Artificial Neural Networks as a Biomass Virtual Sensor for a Batch Process. Proceedings of
the 2001 IEEE Internacional Symposium on Intellifent Control September 5-7,2001 . Mexico City, Mexico.
Lee, J. (1991) Dissolved oxygen variation in marine fish culture Zone. Journal of Environmental Engineering. V.
117, No 6, pp. 799-815.
Monod J. (1949). The growth of bacterial cultures. Annual Review of Microbiology, V. 3, pp. 371-394
Moraes I.; Santana M. (1980) The influence of oxygen concentration on microbial insecticide production. Murray
Moo-Young. (Org.). Advances in Biotechnology. V. 1, pp. 75-79.
Nielsen D, Dauglis A., McLellan P. (2003). A Novel Method of Simulating Oxygen Mass Transfer in Two-Phase
Partitioning Bioreactors. Biotechnology and bioengineering. V. 83, pp. 735-742.
Radwan M., Willems P., El Sadek A. Berlamont J. (2003). Modelling of dissolved oxygen and biochemical oxygen
demand in river water using a detailed and a simplified model. Intl. J. River Basin Management V. 1, No. 2, pp.
97-103.
Rivera, D., Margaritis, A. De Lasa H. ,(1999) A Sporulation Kinetic Model for Batch Growth of Bacillus
Thuringiensis. Canadian. Journ Chem. Engineering, V. 77, pp. 903-910.
Russell S. A., Robertson D. G., Lee J. H. and. Ogunnaike B. A. (2000) Model -based quality monitoring of batch
and semi-batch processes. Journal of Process Control, V. 10, Issue 4, Pages 317-332.
Silveira1 M., Molina M.(2005). Indirect Estimation of Bacillus thuringiensis var. israelensis Biomass Concentration
using oxygen balance data. Brazilian Journal of Chemical Engineering. V. 22, pp. 495-500.
Wang W., ZhiqiangG. (2003). A Comparison Study of Advanced State Observer Design Techniques. Proceedings Of
the American Control Conference Denver. Colorado
Znad H., Blazej M., Báles V., Markos J. (2004).A Kinetic Model for Gluconic Acid Production by Asphergillus
Niger. Chem. Pap. V. 58 pp. 23-28.