Details

Control of Fed-batch fermentation processes by using artificial neutral systems.

by Valencia Peroni, Catalina

Abstract (Summary)
Resumen Optimización y Control de Procesos de Fermentación Fed-batch a través de Sistemas Neuronales Artificiales Los procesos de fermentación son ampliamente utilizados en la industria química, farmacéutica y alimentaria. La producción de comida para animales, yogures, quesos, cerveza, colorantes para comida, fertilizantes, medicinas terapéuticas y penicilina, entre otros, son algunos ejemplos de procesos biotecnológicos. En una búsqueda rápida en Internet, cerca de 113000 sitios fueron encontrados, todos ellos relacionados con productos de procesos de fermentación. El campo de aplicación de la bioingeniería abarca desde los procesos tradicionales de fermentación de vinos hasta la industrialización de no solo la producción de cerveza, queso y leche; sino también de nuevos productos biotecnólogicos como son los antibióticos, enzimas, hormonas, vitaminas, azucares y ácidos orgánicos. Desde tiempos remotos los microorganismos han sido utilizados por el hombre en la producción de alimentos esenciales, como el pan o el queso. El arte de hacer vino ha pasado de padre a hijo desde el antiguo Egipto. Solo hasta finales del siglo XIX, gracias a los estudios del químico y microbiólogo Louis Pasteur, nació la biotecnología como ciencia. La definición actual de biotecnología, según la OCDE, es la aplicación de la ciencia y la tecnología tanto a organismos vivos como a partes, productos y modelos de ellos, con el propósito de modificar tanto materia viva como la no viva con el fin de producir conocimiento, bienes y servicios. Un proceso de fermentación es un proceso químico en el cual se emplean microorganismos para obtener un producto en particular, aprovechando la selectividad de los microorganismos para producir un determinado compuesto. Los procesos de fermentación son llevados a cabo en un bioreactor. Un bioreactor es un recipiente en el cual microorganismos son cultivados de manera controlada y/o materia prima es convertida o transformada debido a reacciones biológicas. En una fermentación, es necesario un control adecuado de todas las variables de proceso, debido a que cualquier cambio inesperado en el valor de alguna de ellas puede afectar el desarrollo de los microorganismos y en consecuencia disminuir la productividad del bioreactor. El principal objetivo de controlar un proceso de fermentación es maximizar la producción de microorganismos u otros compuestos metabólicos. Avances recientes en ingeniería genética han aumentado la importancia del adecuado control de los procesos biotecnólogicos. El uso de células de mamíferos o microorganismos en la producción de moléculas complejas requiere el análisis y control de todas las variables de proceso, tales como temperatura, concentración de oxigeno y pH. El presente trabajo se centra en la aplicación de redes neuronales artificiales en las áreas de modelado, identificación, control y optimización de procesos biotecnológicos, principalmente en bioreactores del tipo fed-batch. Un bioreactor fed-batch se emplea cuando la producción de determinado compuesto de interés, es inhibida debido a la alta concentración de substrato. En un proceso fed-batch, la fermentación empieza con un volumen, concentración de microorganismos y substrato determinados y, a medida que transcurre el proceso de fermentación, el substrato se añade poco a poco, hasta que se consigue llenar el bioreactor. En este trabajo las ideas y técnicas utilizadas por las redes neuronales artificiales son presentadas con la notación familiar para un ingeniero de control. Diferentes estructuras de redes neuronales artificiales y su posible aplicación a diferentes sistemas de control son resumidas. También son presentados algunos procesos de fermentación fed-batch. Dichos procesos son empleados para ilustrar casos específicos de problemas control. Específicamente, un modelo no lineal y multivariable de un bioreactor es empleado para ilustrar las técnicas de control basadas en el modelo del proceso. Un modelo para la producción de invertasa a través de la levadura Saccharomyces cerevisiae es empleado para ilustrar las técnicas de optimización y control. Dentro de las técnicas de control basadas en el modelo del proceso, se implementó un modelo directo y uno inverso de la fermentación multivariable antes mencionada. Ambos modelos, basados en redes neuronales artificiales, consideran efectos biológicos, térmicos y de pH. Multilayer perceptron y Radial Basis Function son las redes neuronales empleadas para la construcción de los dos modelos. Para ilustrar la fiabilidad de estos modelos, diferentes pruebas les fueron realizadas. El modelo directo del proceso de fermentación, basado en redes neuronales, fue probado en operación en estado estacionario, en estado dinámico y cuando una perturbación en el ácido causa que el pH del proceso sea diferente. El modelo inverso del proceso de fermentación fue probado haciendo cambios aleatorios en el punto de referencia. Con la arquitectura Radial Basis Function se obtuvo el mejor modelo directo. Para el modelo inverso del proceso de fermentación, se encontró que la mejor arquitectura es la multilayer perceptron 11-7-1, entrenada con informacion de los estados estacionarios del proceso. Por otro lado, para la optimización de la producción de invertasa es necesario encontrar el perfil de alimentación optimo, de manera que la productividad del bioreactor sea máxima y el tiempo de fermentación sea mínimo. Este doble objetivo de optimización es una novedad y no ha sido antes obtenido por otros esquemas de optimización previamente publicados. El objeto del controlador debe ser hallar a cada instante de tiempo la acción optima de control, es decir, cada vez encontrar cual es el flujo de alimentación adecuado para cumplir el doble objeto de la optimización. En este trabajo se utiliza la programación dinámica neuronal (NDP) con el fin de implementar dicho controlador. Esta técnica emplea redes multilayer perceptron o fuzzy ARTMAP para realizar la optimizacion del proceso. NDP utiliza perfiles de alimentación subóptimas como suposición inicial. A través de esta suposición, una red neuronal es empleada para construir la superficie de costos en el espacio de los estados del proceso. Esta superficie de costos se mejora a través de la iteración de Bellman. Una vez obtenida una buena aproximación a la superficie de costos óptima, esta es implementada en un sistema de control que hace uso también de la ecuación de Bellman. El controlador es probado en diferentes condiciones de operación del proceso de fermentación, específicamente cuando la fermentación comienza con diferentes volúmenes iniciales. Al comparar la metodología empleada se encontró que esta es mejor que otros métodos de optimización utilizados con el mismo fin, debido a que la metodología NDP puede ser usada en diferentes procesos de fermentación sin necesidad de realizar una optimización on-line. Las trayectorias óptimas encontradas por el controlador son similares a la trayectoria seguida por el mejor de los perfiles subóptimos. Con multilayer perceptron- NDP se obtienen los mas altos rendimientos pero la trayectoria de variable manipulada es muy abrupta. Con fuzzy ARTMAP-NDP no se presenta este problema. El controlador que implementa fuzzy ARTMAP-NDP es probado también cuando hay un cambio brusco en la concentración de células. El 50% mueren. En este caso el desempeño del controlador es mejor que el rendimiento de la fermentación cuando la mejor de los perfiles de alimentación subóptimas es utilizado. Por último se puede decir que la integración de la ingeniería de control con las redes neuronales es un fructífero camino a seguir por futuras líneas de investigación ya que las redes neuronales artificiales pudieron ser empleadas con éxito en el control de bioreactores fed-batch. Publicaciones Valencia C., Giralt J., Arenas A., Giralt F., Implementation of a non-linear multivariable (MIMO) process control model of a fed-batch bioreactor with neural networks. Poster Session: Topics in systems and process control, AIChE annual meeting Reno 2001. Valencia C., Giralt J., Arenas A., Giralt F., Non-linear multivariable (MIMO) process control model of a fed-batch bioreactor with neural networks. Submitted to Chemical Engineering Science. 2002 Valencia C., Lee J.H., Kaisare N.S., Final time and productivity optimization of a fed-batch bioreactor for invertase production. Presented at Control of Pharmaceutical and Biological Processes Session 347, AIChE annual meeting, Indianapolis 2002. Valencia C., Giralt J., Arenas A., Giralt F., Optimization of invertase production in a fed-batch bioreactor using dynamic programming coupled with fuzzy ARTMAP, to be submitted to Biotechnology and Bioengineering 2002
This document abstract is also available in Catalan and English.
Document Full Text
The full text for this document is available in English.
Bibliographical Information:

Advisor:Giralt Prat, Francesc; Giralt Marce, Jaume

School:Universitat Rovira i Virgili

School Location:Spain

Source Type:Master's Thesis

Keywords:departament d enginyeria química

ISBN:

Date of Publication:12/16/2002

© 2009 OpenThesis.org. All Rights Reserved.