TESIS
Presentada para obtener el grado de
Septiembre 2008
14
NDICE GENERAL
0.3.
Dedicatorias y Agradecimientos
Mi familia
Mi mama
Mara Caballero Garca por darme la oportunidad de estar en este camino
tan maravilloso que es la vida y por ayudarme entender que la vida podra ser
lo que so, pero sobre todo por tu ejemplo de lucha da a da en tu forma de
ver y entender la realidad y por darme amor con tan slo una mirada.
A mi asesor
Dr. Agustn Ignacio Cabrera Llanos
Un especial agradecimiento por su ayuda y direccin en este trabajo, por
su ejemplo de disciplina y constancia en el trabajo y por los conocimientos
adquiridos pero sobre todo por sus consejos y amistad.
A mis evaluadores
Dr. Claudio Garibay Origel, Dr. Edgar Salgado Manjarrez, Dr. Juan Silvestre Aranda Barradas y Dr. Sergio Garca Salas gracias por su paciencia y
tiempo dedicado a este trabajo. En especial a los Drs. Edgar y Juan por ser un
ejemplo de pasin al trabajo en las aulas y en la ciencia y por su entrega por la
biotecnologa en UPIBI y por ser pilares de lo que fue, lo que es y lo que ser
nuestra casa de estudios.
A mis amigos
Sergio Medina Llanos, un especial agradecimiento por tu ayuda en aque llos momentos tan difciles gracias, siempre te estar agradecido y Naur Flores
Uscanga.
ndice general
0.1.
0.2.
0.3.
0.4.
0.5.
0.6.
0.7.
0.8.
Indice de Figuras . . . . . . . .
Indice de Tablas . . . . . . . .
Dedicatorias y Agradecimientos
Resumen . . . . . . . . . . . . .
Justificacin . . . . . . . . . . .
Objetivo General . . . . . . . .
Objetivos particulares . . . . .
Contenido de la Tesis . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
13
14
15
16
17
17
17
1
1
1
2
3
5
5
6
6
6
7
9
10
12
13
13
14
15
15
17
17
NDICE GENERAL
2. Sistemas no Lineales
2.1. Introduccin . . . . . . . . . . . . . . . . .
2.2. Sistema no lineal . . . . . . . . . . . . . .
2.3. Redes neuronales artificiales . . . . . . . .
2.3.1. Modelo de la neurona artificial . .
2.3.2. La funcin de activacin () . . .
2.3.3. Estructuras de las redes neuronales
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
19
21
23
24
25
3. Sensores Virtuales
3.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1. Monitoreo de procesos de fermentacin . . . . . . . .
3.1.2. Estimadores de estados y parmetros en bioprocesos
3.2. Estimacin a travs de elementos de ba-lance . . . . . . . .
3.2.1. Estimacin a travs de observadores adaptables . . .
3.2.2. Tcnicas de filtrado . . . . . . . . . . . . . . . . . .
3.2.3. Redes neuronales artificiales . . . . . . . . . . . . . .
3.2.4. Redes neuronales diferenciales . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
29
30
31
34
34
36
36
36
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
37
37
37
37
38
38
39
41
42
43
45
46
48
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
artificiales
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
50
50
52
54
54
55
56
60
62
65
66
NDICE GENERAL
5.
Resultados y Discusin
5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Datos experimentales: Base de datos . . . . . . . . . . . . . . . .
5.2.1. Coeficientes de rendimiento de masa . . . . . . . . . . . .
5.3. Aplicacin del software sensor a datos experimentales . . . . . .
5.4. Diseo de la red neuronal diferencial . . . . . . . . . . . . . . . .
5.5. Diseo de los parmetros del neuro-observador diferencial . . . .
5.6. Corrida experimental CDA: Reactor lote alimentado (S. cerevisiae)
5.6.1. Estados experimentales . . . . . . . . . . . . . . . . . . .
5.6.2. Dinmica de alimentacin al biorreactor . . . . . . . . . .
5.6.3. Estimacin de los parmetros experimentales o tericos
y kL aExp
. . . . . . . . . . . . . . . . . . . . . . . .
bExp
t
t
5.6.4. Diseo A de los parmetros C1 y C2 . . . . . . . . . . .
btExp . . . . . . . . . . . .
5.6.5. Observacin del error XtExp X
Exp
bt . . . . . . . . . . . . . . . . . . .
5.6.6. Norma del error de X
5.6.7. Evolucin de la velocidad especfica de crecimiento esti.. . . . . . . . . . . . . . . . . . . . . . . . . .
mada,
bExp
t
5.6.8. Coeficiente volumtrico de transferencia de masa teorco
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
kL aExp
t
5.6.9. Diseo B los parmetros C1 y C2 . . . . . . . . . . . . .
btExp . . . . . . . . . . . .
5.6.10. Observacin del error XtExp X
Exp
b
5.6.11. Norma del error de Xt . . . . . . . . . . . . . . . . . . .
5.6.12. Evolucin de la velocidad especfica de crecimiento esti.. . . . . . . . . . . . . . . . . . . . . . . . . .
mada,
bExp
t
5.6.13. Coeficiente volumtrico de transferencia de masa terico
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
kL aExp
t
5.6.14. Seleccin final de los parmetros C1 y C2 . . . . . . . . .
btExp . . . . . . . . . . . .
5.6.15. Observacin del error XtExp X
Exp
bt . . . . . . . . . . . . . . . . . . .
5.6.16. Norma del error de X
5.6.17. Evolucin de la velocidad especfica de crecimiento esti.. . . . . . . . . . . . . . . . . . . . . . . . . .
mada,
bExp
t
5.6.18. Coeficiente volumtrico de transferencia de masa terico
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
kL aExp
t
5.6.19. Estimacin de estados experimentales . . . . . . . . . . .
5.6.20. Identificacin de estados experimentales . . . . . . . . . .
5.6.21. Dinmica de la ley de aprendizaje . . . . . . . . . . . . .
5.6.22. Observacin de estados experimentales . . . . . . . . . . .
5.6.23. Biomasa observada, XtObs . . . . . . . . . . . . . . . . . . .
5.6.24. Substrato observado, StObs . . . . . . . . . . . . . . . . . .
5.6.25. Oxgeno observado, CtObs . . . . . . . . . . . . . . . . . .
5.6.26. Volumen observado, VtObs . . . . . . . . . . . . . . . . . .
5.6.27. Estimacin del coeficiente volumtrico de transferencia de
obs
. . . . . . . . . . . . . . . . . . . . . . . . . .
masa kd
L at
. . . . . . . . . .
5.6.28. Velocidad especfica de crecimiento,
bObs
t
5.6.29. Diseo de los parmetros C1 y C2 : Diseo A . . . . . . .
5
69
69
69
71
71
72
73
74
74
75
76
76
77
77
78
78
79
79
80
80
81
81
82
82
83
83
85
85
86
87
88
89
90
90
91
91
91
NDICE GENERAL
5.6.30.
5.6.31.
5.6.32.
5.6.33.
5.6.34.
Diseo
Diseo
Diseo
Diseo
Diseo
de
de
de
de
de
los
los
los
los
los
parmetros
parmetros
parmetros
parmetros
parmetros
C1
C1
C1
C1
C1
y
y
y
y
y
C2 :
C2 :
C2 :
C2 :
C2 :
Diseo
Diseo
Diseo
Diseo
Diseo
B
C
D
E.
F.
.
.
.
.
.
.
.
.
.
.
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
obs
d
5.6.35. Coeficiente volumtrico de transferencia de masa kL at .
5.7. Corrida experimental CDA-1: Reactor lote alimentado (S. cereviciae) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.7.1. Estados experimentales . . . . . . . . . . . . . . . . . . .
5.7.2. Identificacin de estados experimentales: XtExp , StExp , VtExp
y CtSetpoint . . . . . . . . . . . . . . . . . . . . . . . . . .
5.7.3. Evolucin de los pesos . . . . . . . . . . . . . . . . . . . .
5.7.4. Entrenamiento de la RND . . . . . . . . . . . . . . . . . .
5.7.5. Flujo de alimentacin al biorreactor . . . . . . . . . . . .
5.7.6. Velocidad especfica de crecimiento experimental . . . . .
5.7.7. Estimacin de la velocidad especifca de crecimiento ex) . . . . . . . . . . . . . . . . . . . . . .
perimental (Exp
t
btExp . . . . . . . . . . . .
5.7.8. Observacin del error XtExp X
btExp . . . . . . . . . . . . . . . . . . .
5.7.9. Norma del error de X
5.7.10. Coeficiente volumtrico de transferencia de masa de referencia, kL aExp
. . . . . . . . . . . . . . . . . . . . . . . .
t
5.7.11. Observacin de estados experimentales. . . . . . . . . . .
. . . .
5.7.12. Velocidad especifica de crecimiento observada,
bObs
t
obs
.
5.7.13. Coeficiente volumtrico de transferencia de masa kd
La
t
94
94
95
95
96
97
99
99
100
101
101
102
102
103
104
104
105
105
108
109
110
110
110
111
112
112
113
114
115
116
118
119
120
121
122
122
0.1.
Indice de Figuras
NDICE GENERAL
b
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
Norma del error
bExp
t
t
btObs . . . . . . . . . . .
Observacin del error de XtObs X
btObs . . . . . . . . . . . . . . . . . .
Norma del error de X
obs
.
Coeficiente volumtrico de transferencia de masa kd
L at
Desviacin de los valores estimados con respecto a los
datos experimentales . . . . . . . . . . . . . . . . . . . . .
Observacin de estados experimentales con el observador
basado en RND . . . . . . . . . . . . . . . . . . . . . . . .
Desempeo del estimador con perturbaciones . . . . . . .
6. Conclusiones Generales
133
135
136
138
141
Apndices
.1. Apndice 1: Medios de cultivo: S. cerevisiae . . . . . .
.1.1.
Medio de conservacin de la levadura . . . . .
.1.2.
Medio de cultivo sinttico . . . . . . . . . . . .
.1.3.
Solucin de minerales . . . . . . . . . . . . . .
.1.4.
La solucin de vitaminas . . . . . . . . . . . .
.1.5.
Preparacin del inculo . . . . . . . . . . . . .
.2. Apndice 2: Estimador para t . . . . . . . . . . . . .
.3. Apndice 3: Estimador para kL at . . . . . . . . . . . .
.4. Apndice 4: Eigenvalores . . . . . . . . . . . . . . . . .
.5. Apndice 5: Sistema lineal de segundo orden . . . . . .
.6. Apndice 6: Corolario A . . . . . . . . . . . . . . . . .
.7. Apndice 7: Solucin de la ecuacin de Lyapunov . . .
.8. Apndice 8: Prueba de la funcin de Lyapunov para la
.9. Apndice 9: Teora de Estabilidad de Lyapunov . . .
.9.1.
.9.2.
.9.3.
.9.4.
.9.5.
.9.6.
128
129
130
131
132
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
RND .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
143
143
143
143
143
144
144
144
146
148
149
151
151
152
157
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
157
157
158
158
158
159
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
.9.7.
.9.8.
10
NDICE GENERAL
11
12
NDICE GENERAL
0.2.
13
Indice de Tablas
0.4. RESUMEN
0.4.
15
Resumen
bExp
, se estima observando el error entre la biomasa experimental y la biomasa
t
btExp , utilizando el algoritmo de estimacin propuesto por
estimada, XtExp X
Dochain (estimador de t ).
El algoritmo matemtico propuesto en este trabajo para estimar el parmetro
kL at , esta basado en la observacin del error entre la dinmica de evolucin del
oxgeno disponible en lnea (mediciones) y la dinmica de estimacin de oxgeno
btExp . El algoritmo de estimacin contiene en su estructura
estimado, CtExp C
informacin que debe de estar disponible en lnea (informacin apriori ) del
proceso de biotransformacin, a saber, biomasa, substrato y oxgeno. Razn por
la cual, el algoritmo diseado se acopla con el modelo de la RND y el estimador
de Dochain (para estimar t ) con lo cual se logra un sistema de estimacin completamente determinado, es decir, el sensor virtual. Para probar el desempeo de
el observador propuesto se emplean en una base de datos experimentales, para
dos tipos de cultivos (S.cerevisiae y A. vinelandii ), reactor lote alimentado y
reactor lote, respectivamente. Los resultados obtenidos muestran un aceptable
desempeo del estimador para kL at en toda la evolucin de los cultivos. Para A.
vinelandii el porcentaje de error del proceso de estimacin fue de 1.45 % para
el cultivo de A. vinelandii y 7.1 % para S.cerevisiae.
Abstract
Mass transfer from the gas to liquid phase has a decisive importance for the
description of systems involving absorption, chemical reactions and
fermentation. Usually the mass transfer rate is described as proportional to the
concentration gradient, where the proportionality is given by the volumetric
mass transfer coefficient (kLa). The oxygen ( C (t ) ) transfer represents the most
important parameter implied on the design and operation of mixing-sparging
equipment of the bioreactors. It can be described and analyzed by means of
kLa.
In this work we use the Differential Neural Networks (DNN) structure and a non
linear observer, to estimate kLa in the dynamic evolution for the fed-batch model
reactor.
The estimation of the kLa is driven by observation error C (t ) C (t ) . To identify a
Saccharomyces cerevisiae fed-batch fermentation process, it is suggested that
a DNN (dynamic in continuous time) be implemented and then the states are
using to estimate the kLa parameter with the application of a non linear
observer. We assume the oxygens evolution in the aerobic system
fermentation is the only state measure on line. This evolution is used in the non
linear observer in order to estimate the kLa parameter and the results obtained
proved the applicability and efficiency of this methodology because the
corresponding experimental results demonstrate the good performance: the
identification (and observation) error has a small value.
16
0.5.
NDICE GENERAL
Justificacin
0.6.
17
Objetivo General
0.7.
Objetivos particulares
Disear un sensor suave para estimar el kL at de un sistema de fermentacin utilizando redes neuronales diferenciales
0.8.
Contenido de la Tesis
18
NDICE GENERAL
Captulo 1
Introduccin
Una gran variedad de tcnicas de cultivo de microorganismos han sido desarrolladas para cultivos sumergidos, por ejemplo, los cultivos en lote y lote
alimentado, los cuales han sido parte del estado del arte en el campo de las biotransformaciones antiguamente y que son usados en la actualidad por muchas
industrias de fermentacin[1]. Las tcnicas de cultivos en continuo son relativamente nuevas y no han encontrado fuertes aplicaciones a nivel industrial, sin
embargo, son una herramienta invaluable en los estudios de laboratorio. En este
captulo se presenta de manera breve los diferentes modelos matemticos (balances de materia) para cada tipo de biorreactor: reactor lote (batch), lote alimentado (feed-batch o fed-batch) y continuo (continuous) que son el punto de partida
en el anlisis del sistema (biorreactor). Tambin, se describe la importancia del
proceso de transferencia de oxgeno en un sistema de fermentacin aerobio y
sus efectos sobre el desempeo de los cultivos y finalmente las metodologas existentes en la literatura para estimar el parmetro llamado coeficiente volumtrico de transferencia de masa, kL a, siendo este el parmetro ms utilizado para
describir la transferencia de oxgeno en el biorreactor.
1.2.
Consideraciones
1.3.
Ft
X t =0
Ft1
Et
Ft 2 X t1
X t =0
XtE
Ft
X t =0
Et
Et
Xt2
Xt
Et
Ft1
Ft 2 X t1
X t =0
XtE
1
XtR R
Figura 1-1: Arreglos para operacin del biorreactor tipo tanque agitado.
1.4.
Et
kg
h
Et G E G
Vt = Vt L + Vt G
Vt L
Mezcla de
reaccin
Vt G
E
G ,t
CO E G ,t
kg
Lh
Ct
COt
Xt
d [ Masa ]
dt
kg
h
St
= acumulacin
Ct
Ft
Pt
Ct E
COt E
COt F
S F o ,t
Xt
Qt
Et E
kg
h
Ft G G F
kg
h
o ,t
E
Pt E
C F G ,t
CO
F
G ,t
Xt
St
Pt
(1.1)
(1.2)
(1.3)
La formulacin de las ecuaciones de balance para el biorreactor, estn relacionadas con dos tipos de ecuaciones de balance de masa: 1) balances en estado
estable y 2) balances en estado inestable. Uno de los principios bsicos de modelado es el referente a la conservacin de la masa en el sistema, el cual para un
estado estable se expresa como [3], [4]:
Flujo de masa
a la entrada al sistema
Flujo de masa
a la salida del sistema
Volocidad de
velocidad de
consumo o
acumulacin
= (dinmica de trasporte) produccin del
de masa en
componente por
el sistema
por la reaccin
1.4.1.
Los balances generales de masa en el biorreactor, estn referidos principalmente a biomasa, substrato, producto y volumen [1].
1.4.2.
Biomasa
La velocidad de cambio de la concentracin celular en el biorreactor se expresa por el siguiente balance general de masa,
Ft
Et
d
Xt +
Xt = Xt,0
dt
Vt
Vt
d
Xt
dt
crecimiento
Xt d
Vt
Vt dt
(1.4)
d
Xt es trmino de acumulacin, es decir, la velocidad de cambio neta
Donde dt
de concentracin
d de clulas en la mezcla de reaccin debido a todas las contribuciones. dt
Xt crecimiento contribucin de la multiplicacin celular al cambio de
incremento de concentracin celular. Para cultivos que obedecen la ley de Monod, por ejemplo, este trmino es,
d
= Xt t
(1.5)
Xt
dt
crecimiento
St
= Xt m
Ks + St
Y
d
dt Vt
1.4.3.
Substrato
d
d
Ft
Et
St d
St +
St = St,0
St
Vt
dt
Vt
Vt
dt
Vt dt
reacci
on
1.4.4.
(1.6)
(1.7)
Producto
Ft
Et
d
Pt d
d
Pt +
Pt = Pt,0
Pt
Vt
dt
Vt
Vt
dt
Vt dt
reacci
on
(1.8)
Los balances (1.4 -1.8) son las ecuaciones generales de balance . De estos balances
se definen los diferentes modos de operacin del biorreactor: reactor lote, lote
alimentado, y continuo.
1.4.5.
Reactor lote
d
St
kd Xt
Xt = Xt m
dt
K + St
St
qSt = Y S m
+m
(1.10)
Ks + St
X
La velocidad de produccin de producto
d
(1.11)
Pt = qPt Xt
dt
Donde qPt velocidad especfica de aparicin del producto.
En el caso donde hay sntesis de producto no asociado al crecimiento,
St
qPt = Y P m
+B
(1.12)
X
KS + St
Donde B es la velocidad especifica de aparicin del producto no asociada al crecimiento. Casos simplificados pueden ser resueltos
d analticamente. Por ejemplo,
Xt crecimiento , puede ser esencialla velocidad especfica de multiplicacin, dt
mente constante sobre todo el rango de concentracin de substrato y biomasa.
Los valores Y P y Y Y pueden ser tambin constantes, y tambin el factor de
X
X
mantenimiento en la ecuacin (1.10) puede ser despreciado. Tomando en cuenta
todas las simplificaciones realizadas, el reactor lote puede ser analizado de la
siguiente manera,
d
Xt
dt
d
St
dt
d
Pt
dt
d
Vt
dt
1.4.6.
= t Xt
= Y S
= YP
d
Xt
dt
(1.13)
d
Xt
dt
= cte
Una desventaja del cultivo en lote es que algunos cultivos exhiben inhibicin
por substrato (fuente de carbono). Otro es el suministro imprctico de todos los
nutrientes al comienzo del cultivo, lo cual limita la solubilidad de los substratos,
inestabilidad de substratos, o la presin osmtica del cultivo. Una solucin posible para todos estos problemas es usar un reactor lote alimentado. En un cultivo
en lote alimentado, la alimentacin de medio es mantenida continuamente o por
Ft
Vt ,
(1.14)
Biomasa
Ft
d
Xt |t=0 +
Xt =
dt
Vt
d
Xt
dt
crecimiento
Xt d
Vt
Vt dt
Ft
d
Ft Xt
d
Xt |t=0 +
Xt =
Xt
dt
Vt
dt
Vt
crecimiento
(1.15)
(1.16)
Substrato
d
Ft
St |t=0 +
St =
dt
Vt
d
St
dt
reaccion
St d
Vt
Vt dt
(1.17)
Ft
d
Ft St
d
St |t=0 +
(1.18)
St =
St
dt
Vt
dt
Vt
reaccion
Producto
Ft
d
Pt |t=0 +
Pt =
dt
Vt
d
Pt
dt
reaccion
Ft Pt
Vt
(1.19)
Ft
d
d
( St |t=0 St ) +
(1.20)
St =
St
dt
Vt
dt
reaccion
Con
d
St
dt
reaccion
= Y S
St
Xt mXt
KS + St
Partiendo del hecho que St = cte, es decir, estado estable que implica que
d
dt St = 0,
Ft
St
( St |t=0 St ) Y S m
Xt mXt
0=
X
Vt
KS + St
Y S t + m
X
Ft =
(1.21)
Xt Vt
St |t=0 St
(1.22)
Ft = CXt Vt
ih
i
Donde C = Y S t + m St | 1 St , La velocidad de alimentacin es una funX
t=0
cin simple de Xt y Vt .
h
1.4.7.
Reactor continuo
d
d
(1.23)
Xt = Dt ( Xt |t=0 Xt ) +
Xt
dt
dt
crecimiento
Si la concentracin celular, Xt |t=0 ,en la alimentacin es cero,
d
Xt = Dt Xt + t Xt
dt
(1.24)
d
dt St
d
dt Xt
Dt Xt
Dt
(1.25)
(1.26)
10
y de la ecuacin (1.26),
Dt ( St |t=0 St ) = Y S t Xt
(1.27)
( St |t=0 St ) = Y S Xt
(1.28)
Pero Dt = t , entonces
X
St |t=0 Y S Xt
X
Dt = t = m
KS + St=0 Y S Xt
(1.29)
St |t=0
m Y S Xt + KS Dt Dt Y S Xt
X
m Dt
1.5.
11
12
1.5.1.
mol
m2 h
concentracin de A mol
m3
distancia en la direccin z [m]
m2
h
En reactores biolgicos, B es el medio de crecimiento. Una primera aproximacin para un lquido acuoso, puede ser asumido a ser agua con una correlacin
aplicada para la viscosidad del medio actual. Una ecuacin ampliamente usada
para aproximacin de DAB para una solucin diluida de A (no electrolito) en
un solvente B es la ecuacin de Wilke-Chang:
1
DAB =
donde
=
MB =
T =
B =
VA =
cm3
mol
(1.31)
1.5.2.
13
1.5.3.
Pelcula
de lquido
Pelcula
de gas
Ct
Interfase
Po
Ct
Lquido + oxgeno
disuelto
Ct
C t
Oxgeno
En equilibrio
C t HP o
0
Fase liquida
Fase gaseosa
Figura 1-3: Modelo fsico para la transferencia de oxgeno a travs de la pelcula de lquido.
14
Pelcula de lquido
Clula
O2
Difusin G-L
Conveccin
Figura 1-4: Resistencias que presenta el oxgeno antes de que sea consumido por las clulas.
Obviamente el flujo de oxgeno total depender del rea de interfase de las
burbujas de aire. En este caso la velocidad de transferencia de oxgeno esta dada
por:
OT Rt = kL at [C Ct ]
(1.32)
Donde
OT Rt
kL
at
C Ct
:
:
:
:
es
es
es
es
gL1 h1
mh1
m2 m3 = m
gL1
1.6.
(1.33)
(1.34)
En el balance (1.34) la dinmica del oxgeno es mucho ms rpida que la dinmica de otros procesos relevantes (biomasa, substrato) y la contribucin del trEt Ct
mino de dilucin,
, es pequeo comparado con la velocidad de cambio de
Vt
oxgeno disuelto. Como consecuencia en (1.34) se puede expresar como:
d
Ct = kL at [Ct Ct ] OU Rt
dt
(1.35)
1.7.
d
F
E
FtG EtG CG,t
kL at [Ct Ct ] VtG
CG,t = CG,t
dt
(1.36)
Los mtodos tradicionales para determinar este parmetro se pueden agrupar en qumicos y fsicos, con los cuales slo es posible medir el parmetro de
forma puntual, sin embargo, el mtodo directo que se caracteriza por hacer un
balance de oxgeno al rededor del biorreactor permite medir el parmetro en
forma continua, cuando se aprovechandon las propiedades paramagnticas del
oxgeno en la fase del gas, pero ello requiere disponer de equipo especial llamado Analizador paramagntico de oxgeno, sin embargo, el costo elevado de este
equipo limita las posibilidades de adquirirlo.
1.7.1.
En la literatura se han reportado diversas tcnicas o mtodos para determinar el parmetro kL at a continuacin se mencionan aquellas que han tenido
aplicaciones en las investigaciones acadmicas.
Mtodo de presin dinmica: este mtodo no esta basado en la interrupcin del flujo de alimentacin de oxgeno o incluso la desorcin con un gas
inerte. En este el cambio de la concentracin de oxgeno es causada por un pequeo cambio ( 20 kP a) de la presin interna en el biorreactor. La ventaja que
16
presenta este mtodo con respeto a los de balance de oxgeno en estado estable,
es que no es dependiente de la exactitud de las mediciones de la concentracin
de oxgeno en las corrientes de alimentacin y salida del gas [7],[18],
Adems, de estos mtodos se han reportado una cantidad importantes de
correlaciones para estimar el parmetro kL at en situaciones particulares [19].
En Meenal y col. [20] se estudio el efecto sobre el kL at para diferentes medios y
diferentes condiciones de operacin utilizando correlaciones para medir el kL at
. Estas correlaciones estn relacionadas con:
1. Diferentes geometras del biorreactor.
2. Diferentes propiedades fsicas del medio.
3. Diferentes condiciones de operacin del biorreactor.
Mtodo dinmico. Otras investigaciones se han realizado para desarrollar
nuevas correlaciones para medir el kL at en situaciones muy particulares, vase
[21], [20].
En este mtodo el flujo de aire al biorreactor se interrumpe (Ft = 0), y el
oxgeno disponible en el medio de cultivo es consumido por las clulas hasta
llegar a un valor de concentracin de oxgeno disuelto muy cercano al valor
crtico (Ctcritico ), en este momento se restablece el flujo (Ft = Constante) de
aire y la concentracin de oxgeno disuelto se incrementa (vase la Figura 1-5)
Ct
F t constante
Ft 0
F t constante
Pendiente UORt
Ct
d C t UORt
dt
1
k Lat
d C UOR C
t
t
dt
C critica
t
t
Figura 1-5: Mtodo dinmico.
1
d
Ct =
Ct + OU Rt + Ct , cuando Ft = constante
kL at dt
(1.37)
(1.38)
Ft 0
F t constante
Pendiente 1
k Lat
C critica
t
0
d C UOR
t
t
dt
1.7.2.
1.8.
En fermentaciones industriales donde participan hongos filamentosos, el proceso tpicamente es operado en lote alimentado. El control de oxgeno representa
un importante reto operacional debido a la variacin de la concentracin de biomasa en el biorreactor. L. Bodizs y col. [23] propone una estrategia de control
de oxgeno (manualmente y con el diseo de un PID) para asegurar una alta
productividad y limitar los riesgos relacionados con la limitacin de oxgeno.
18
Mtodo
Dinmico
Dinmico
Balance
Captulo 2
Sistemas no Lineales
2.1.
Introduccin
En este captulo se presentan los conceptos bsicos sobre las Redes Neuronales Artificiales (RNA), particularmente para los dos tipos de RNA, Redes
Neuronales Estticas (RNE), y las Redes Neuronales Dinmicas (RNDi). De
este ltimo tipo surgen las Redes Neuronales Diferenciales (RND) que sern
empleadas en este trabajo para estimar los estados del sistema que no son susceptibles a medicin fsica. La descripcin matemtica de la estructura de la
RND, tanto para el proceso de identificacin de estados como para el proceso de
observacin de estados (RND como observador no lineal) se presentaran en el
captulo 4.
2.2.
Sistema no lineal
La dinmica de biotransformacin por parte de las clulas sobre los substratos en el biorreactor, es una dinmica no lineal. En este trabajo la dinmica
en el biorreactor se puede ver como la interaccin entre el sistema (biorreactor)
y su ambiente. Esta interaccin se muestra en la Figura 2-1. El esquema general
de la Figura 2-1 esta relacionado con:
1. Estados del sistema:
xt :
xt
xt :
T
= x1,t , ..., xn,t
Rn ; n = 4
= (Xt , St, Ct , Vt )T
2. Acciones de control:
19
(2.1)
(2.2)
(2.3)
20
T
ut : = u1,t , ..., uk,t
(2.4)
T
yt : = y1,t , ..., ym,t
(2.5)
(2.6)
Factores no controlables
(Ruido y perturbaciones)
Sistema
Factores controlables
(Acciones de control)
Informacin disponible
(Salidas)
xt
yt
xt
C
Rn , yt Rm t 0
Rmn , t Rn1 y t Rm1
kCxt k > kt k
con
(2.7)
21
(2.8)
De hecho, si el estado estimado es usado para la construccin de algn conbt entonces cualquier cambio en el signo de x
bt
trolador, por ejemplo ut = K x
puede provocar un efecto significativo de inestabilidad de la dinmica en lazo
cerrado.
2.3.
22
estructura de una neurona se puede describir por tres partes, un cuerpo celular
o soma, que se caracteriza por contener al ncleo de la clula. El axn que es la
conexin cilndrica sencilla y larga, el cual se extiende del cuerpo de la clula y
lleva los impulsos elctricos a otras neuronas, cada final de un axn se conecta a
una ramificacin estndar muy fina. Cada terminacin tiene un bulbo llamado
sinpsis, donde la red neuronal induce a las neuronas vecinas.
Las redes neuronales artificiales (RNA) son sistemas de informacin inspirados en las redes neuronales biolgicas imitando estas dos caractersticas principales [26]
1. La adquisicin del conocimiento se efecta a travs de un proceso de aprendizaje.
2. La conectividad entre las neuronas (unidades bsicas de procesamiento de
informacin) llamadas pesos sinpticos son empleadas para guardar este
conocimiento.
Una caracterstica importante es que una RNA puede ser considerada como
una caja negra (o dispositivo de caja negra) que acepta entradas y produce
salidas [12].
Las operaciones que pueden realizarse con una RNA se tienen las siguientes:
a) Clasificacin. Un conjunto de datos (patrn) de entradas es procesado
por la RNA y sta produce una clase representativa de salida.
b) Reconocimiento de patrones. Un conjunto de datos de entrada es
procesado por la RNA y sta produce el patrn correspondiente de salida.
c) Complementacin de patrones. Un conjunto de datos incompleto es
procesado por la RNA y sta reproduce un patrn de salida (reconstruyendo) la informacin faltante.
d) Elimina el ruido. Un conjunto de datos de entrada alterado con ruido
es procesado por la RNA y sta elimina parte o en el mejor de los casos
el total del ruido entregando a la salida por el patrn de entrada filtrado.
e) Optimizacin. Un conjunto de datos representando los valores iniciales
de un problema de optimizacin son considerados en el patrn de entrada
de la RNA y sta produce un conjunto de variables que representa la
solucin del problema.
f) Control. Un conjunto de datos representando el valor del estado de un
controlador y la respuesta deseada es presentada a la entrada de la RN
y sta produce como salida la secuencia de comandos adecuada que producir la respuesta deseada.
Existen diferentes tipos de RNA (estticas, recurrentes, dinmicas, competitivas, etc) [27], [28].
2.3.1.
23
Wk1
X1
Seales de
entrada
Funcin de
activacin
Wk 2
X2
uk
f ()
yk
Salida
.
.
Xn
Wk n
Umbral
Pesos
sinpticos
n
X
i,j uj
j=1
yi
= ( i i )
(2.10)
24
Donde:
i j-sima componente de la entrada
i,j uj es el peso de la conexin de la j-sima componente de la entrada con
la neurona ies presentada
i salida del sumador
i umbral de activacin
() funcin de activacin no lineal
yi salida de la neurona i
El esquema puede ser representado de una forma compacta, lo que permite
establecer una manipulacin de forma eficiente la interconexin de neurona en
lo que se conoce como redes, y este esquema se caracteriza por estar formado
por los siguientes elementos:
Nodos de entrada, encargados de suministrar las seales de entrada hacia
la neurona.
Nodo simple, llamado de cmputo.
Lneas de interconexin entre los nodos de entrada y los nodos de cmputo.
2.3.2.
La funcin de activacin ()
25
0.75
0.5
0.25
-5
-2.5
2.5
5
x
2.3.3.
La forma en la cual las redes neuronales de una RNA se interconectan determinan su estructura y en gran medida se relaciona con su algoritmo de aprendizaje. Se puede definir la siguiente terminologa bsica con respecto a la
topologa de las RNA:
Capas. Las RNA se organizan en capas de neuronas. Dentro de una capa,
las neuronas son similares en dos aspectos: Las conexiones que alimentan la capa utilizan el mismo tipo de algoritmo de aprendizaje para la
activacin de sus pesos.
Conexiones intracapa e intercapa. Existen dos tipos de conexiones que se
emplean en las RNA: las conexiones intracapa que se refiere a las conexiones de las neuronas en la misma capa y las conexiones intercapa que son
conexiones entre neuronas de diferentes capas. Es posible construir redes
que tengan los dos tipos de conexiones. Un alto nmero de conexiones le
otorgan a la RNA redundancia, es decir, robustez [30].
RNA Feedforward (alimentacin hacia adelante) y Feedback (retroalimentacin). Cuando la RNA tiene conexiones que alimentan la informacin en una sola direccin (de la entrada hacia la salida) sin que exista retroalimentacin, pero si la RNA posee cualquier va de retroalimentacin, entendiendo el trmino retro alimentacin como cualquier
camino a travs de la RNA que permita que la misma neurona sea visitada por dos veces, entonces se llama RNA Feedback.
26
X1
X1
Wk 2
Wk 2
X2
X2
Wk 3
Wk3
X3
Xn
X3
.
.
.
Wk n
Xn
Capa de
entrada
Capa de
salida
Wk 1
a)
.
.
.
Wk n
Capa de
entrada
G
X1
X2
X3
X
.
.
.
.
.
G.
Capa de
salida
Primera
Primera
Capa oculta Capa oculta
b)
W1
W2
Wp
P (x)
Capa de
entrada
Capa de
salida
Capa oculta
de funciones de base radial
c)
Figura 2-4: Estructuras de las RNA
La cualidad ms importante de la RNA es su capacidad de aprendizaje,
en este contexto se entiende el aprendizaje como la forma de actualizacin del
valor de los pesos sinpticos. El problema de aprendizaje en las RNA pude
formularse como un problema de aprendizaje de libre modelo, donde el objetivo
es entrenar a una hipotsis RNA definida como hm , donde m denota el nmero
27
28
Captulo 3
Sensores Virtuales
3.1.
Introduccin
Los sistemas de control son usados para regular una enorme cantidad de
equipos, productos y procesos. Las variables a controlar pueden ser la temperatura, el movimiento, flujo de vapor, de fluidos, presin de fluidos, tensin,
voltaje y corriente. En el campo de los bioprocesos, uno de los equipos ms
importantes es el biorreactor, que en muchas aplicaciones prcticas, solamente
algunas variables del proceso estn disponibles en lnea, por ejemplo, concentracin de oxgeno disuelto en el biorreactor, temperatura, y la velocidad de
flujo de los gases mientras que los valores de las concentraciones de productos,
reactantes y biomasa estn disponibles a menudo va anlisis. Una alternativa
interesante que evita el uso de un modelo y explota un conjunto limitado de
mediciones es el uso de observadores de estados. El diseo y la aplicacin de
los observadores de estados en bioprocesos han sido una rea activa las pasadas
dcadas.
Muchos conceptos en la teora de control estn basados en el hecho de tener
disponibles los sensores para medir la variable a controlar. De hecho la teora
de control, est a menudo basada en que estn disponibles las seales de retroalimentacin. Desafortunadamente, tal suposicin no es vlida en su totalidad.
Los sensores tienen deficiencia que puede degradar un sistema de control.
Hay al menos cuatro problemas relacionados por los sensores. Primero, los
sensores son caros. El costo de un sensor puede sustancialmente elevar el costo
del sistema de control. En muchos casos, el sensor y el cableado son los componentes ms caros en el sistema de control. Segundo, los sensores y su cable
asociado reducen la confiabilidad del sistema de control. Tercero, algunas seales
son imprcticas para medirlas. Cuarto, los sensores usualmente inducen errores
significativas tales como ruido estocstico, errores cclicos, y respuesta limitada. Por tanto, las tcnicas de estimacin de estados juegan un rol importante en
muchas reas de la ciencia, ingeniera y particularmente en biotecnologa, donde
el hardware (sensores) son extermadamente costoso y son usados en condiciones
29
30
3.1.1.
Los modernos bioprocesos son monitoreados en lnea por aparatos modernos, los cuales pueden estar montados en el biorreactor o externamente. Adems,
de los electrodos (sensores), ms y ms subsistemas analticos son explotados
para monitorear en lnea el estado del bioproceso. Algunos de estos subsistemas
entregan seales que son usadas para documentacin solamente, otros, que generan seales menos retardadas que son usadas o para disear los sistemas de
control. En un fermentador esta provisto de elementos de medicin y control.
Los aparatos para censado en lnea, estn relacionados con las siguientes variables que se monitorean en lnea: temperatura, pH, presin, oxgeno, presin
parcial de oxgeno, oxgeno en la fase del gas, bixido de carbono, presin parcial de bixido de carbono, bixido de carbono en la fase gaseosa, potencial
de reduccin, biomasa: densidad ptica, interfases, propiedades elctricas, termodinmica y compatibilidad de sensores, cromatografa lquida de alta eficacia
(HPLC, por sus siglas en ingls) o cromatografa de gas (GC, por sus siglas en
ingls), espectrofotometra de masas (MS, por sus siglas en ingls), biosensores,
biosensores electroqumicos, sensores de fibra ptica, calorimtricos, mecnicos,
acsticos y para biomasa: propiedades elctricas, propiedades de filtracin y
dinmica de la dilucin y software sensors. Mientras que para el anlisis fuera
de lnea: citomtria de flujo, resonancia magntica nuclear (NMR por sus siglas
en ingls) [32], en la Figura 3-1 se muetra al biorreactor y las variables que
pueden ser medidas y controladas, o solamente medidas.
Medicin y
control
Medicin
Alimentacin
pH
Temperatura
pO2
Aireacin
Presin
Composicin
de exhaustos
Consumo de
potencia
Velocidad de
agitacin
Peso del
volumen
3.1. INTRODUCCIN
31
3.1.2.
x = f (x, u)
(3.1)
(3.2)
Donde x
b y yb son las estimaciones en lnea de x y y dados por el estimador de
estados:
yb = h(b
x)
(3.4)
Y donde K es la ganancia del observador. El diseo de el observador de estados
consiste en seleccionar apropiadamente la ganancia K (b
x).
Si definimos la observacin del error e como sigue:
e=xx
b
(3.5)
(3.6)
32
(3.7)
(3.8)
d
x
[A(b
x) K(b
x)L(b
x)] k C2 , b
dt
(3.9)
(3.10)
3.1. INTRODUCCIN
33
(3.13)
(3.14)
f
f
f (x1 , ..., xn )[f (x1 , ..., xn )]0 =
f (x1 , ..., x10 )+...+
f (xn , ..., xn0 )
x1 0
xn 0
Sensores virtuales o software sensors
Durante los procesos de fermentacin, las variables tales como las concentraciones son determinadas experimentalmente (o line), realizando anlisis de
laboratorio. Muchas de los principios activos farmacuticos son protenas teraputicas recombinantes. Estas son formadas en microorganismos modificados
genticamente o clulas animales. Estos biolgicos son molculas complejas y
es conocido que su eficiencia clnica puede ser influenciada por los cambios en
el proceso de cultivo. Por tanto, las compaas reciben su aprobacin slo si el
proceso esta sometido a un margen de control. Autoridades regulatorias como
la Administracin de Drogas y Alimentos (FDA, por sus siglas en ingls) en
Estados Unidos de Amrica y la Agencia Europea de Medicamentos (EMEA,
por sus siglas en ingls) en Europa demandan pruebas de que el proceso es consistente. Lo anterior debido a que cuando un proceso es arrastrado ms all de
los lmites especificados, esto puede ser causar de las distorsiones en el equipo,
la operacin, o la contaminacin.
El diseo de sensores virtuales o software sensor s ha demostrado ser una
herramienta til en el monitoreo y el control de los bioprocesos. Un sensor vitual
es la asociacin de un sensor (hardware), el cual permite la medicin en lnea
de algunas variables del proceso y un algoritmo de estimacin (software) para
proveer en lnea los valores estimados de las variables de estado que no pueden
34
ser medidas, parmetros del modelo o para vencer retardos en las mediciones.
Muchas tcnicas de estimacin han sido propuestas en la literatura. Entre estas
tcnicas, cuatro de ellas han sido reconocidas para tener fuerte potencial en la
estimacin en lnea en los bioprocesos, a saber, (1) estimacin a travs de elementos de balance; (2) observadores adaptables; (3) tcnicas de filtrado (Filtro
de Kalman, FK, filtro extendido de Kalman, EFK (por sus siglas en ingls));
(4) redes neuronales artificiales [41]. Una quinta tcnica que se propone en este
trabajo son las Redes Neuronales Diferenciales o Dinmicas (RND). Adems,
pueden ser usados otros algoritmos de estimacin [42], en Docahain [40] describe
ocho diferentes algoritmos de estimacin para estados o parmetros en procesos bioqumicos: Observador de Luenberger Extendido (ELO), por sus siglas
en ingls), Observador de Kalman Extendido (EKO, por sus siglas en ingls),
observadores adaptables no lineales, observador asinttico, observador por intervalos [43], EKO para estimar estados y parmetros combinados, observador
con parmetros desconocidos como parmetro de diseo, observador adaptable.
En Borgaerts y col. [44] se utilizan estimadores basados en el concepto de la observabilidad cannica para sistemas no lineales. El diseo y la aplicacin de un
software sensor se han aplicado en sistemas biolgicos en [45].
3.2.
3.2.1.
35
de las mediciones y su preedicin o valores estimados. Adems, en esta aproximacin, los valores de los parmetros cinticos, los cuales son desconocidos,
son diseados continuamente hasta lograr que el error converja a cero o muy
cercano a cero. [39]. Las ecuaciones bsicas para un observador se muestran a
continuacin
d
xe
dt
d
ke
dt
Donde k1 y k2 son los parmetros de diseo del observador, los cuales tienen que
ser definidos para asegurar la convergencia de estimacin y el desempeo. En los
sistemas de control el observador de Luenberger se ha aplicado exitosamente,
en la Figura 3-2 se muestra un diagrama a bloques de la estructura de este
observador.
Biorreactor
Estados
actuales
Sensor
Sistema fsico
Error observado
Compensador
observador
+
+
Modelo de
estimacin
Estimacin:
estados
parmetros
Sensor
36
3.2.2.
Tcnicas de filtrado
En el FEK la estabilidad y el desempeo no estn garantizados y dependen fuertemente de la aplicacin especfica, En Lorenzo y col.[48] se menciona
que la aplicacin del FEK requiere de la dinmica del modelo, que es muy difcil
para seleccionar en la prctica. El FEK tiene muchas otras desventajas, requiere
de mucha informacin a priori sobre el proceso (incluyendo datos estadsticos).
Adems, las propiedades de estabilidad y convergencia son cuestionables particularmente para estimacin de parmetros en sistemas no lineales, tales como
los procesos de fermentacin. Sin embrago, en la literatura est ampliamente
registrado el uso de este filtro. Por ejemplo, en [49].
3.2.3.
3.2.4.
Captulo 4
Introduccin
En este captulo se presentan primeramente la metodologa de la experimentacin de los diferentes cultivos que integraron la base de datos experimentales, la cual se utiliz para validar el software sensor diseado y finalmente se
presentan las diferentes tcnicas que fueron utilizadas para disear el estimador
para el coeficiente volumtrico de transferencia de masa, kL at utilizada para el
diseo del software sensor. La metodologa utilizada para disear el estimador
se realiz llevando a cabo dos etapas de trabajo, siendo la primera el uso de las
tcnicas de Redes Neuronales Diferenciales (RND), esta metodologa se utiliz
para identificar (entrenamiento) y observar (estimar) los estados del modelo de
un reactor lote y lote alimentado y a los estados experimentales obtenidos en
procesos de biotransformacin en dos diferentes modos de operacin: reactor
lote alimentado y en lote para los sistemas biolgicos Saccharomyces cerevisiae
y Azotobacter vinelandii respectivamente. En la segunda etapa se detallan los
algoritmos utilizados y diseados para estimar la evolucin del parmetro kL at
en cada tipo de cultivo. Esta ltima etapa se acopla con las tcnicas de RND
y en conjunto se desarrollo el software sensor para estimar el parmetro kL at .
4.2.
Metodologa experimental
4.2.1.
Sistemas de cultivos
4.2.2.
Fermentacin: S. cerevisiae
4.2.3.
Fermentacin: A. vinelandii
A vinelandii es una bacteria gram negativa, de vida libre y fijadora de nitrgeno. Esta bacteria es interesante por su capacidad de producir un polmero
de inters industrial, el poli-B-hidroxibutirato (PHB) y por la produccin de
alginatos. Para el cultivo de A. vinelandii, con el fin de separar el efecto hidrodinmico de aquel del oxgeno disuelto, se us un sistema de fermentacin que
permiti controlar el oxgeno disuelto a 3 % (por medio de mezcla de gases), sin
afectar las condiciones de mezclado (hidrodinmica).
Los caldos (conteniendo clulas) que se obtuvieron tanto en matraces como en el tanque agitado fueron viscosos y pseudoplsticos. En matraces, los
caldos filtrados (sin clulas) fueron de baja viscosidad y Newtonianos. Sin embargo, aquellos obtenidos en fermentador, resultaron de alta viscosidad y con
caractersticas pseudoplsticas. Las propiedades reolgicas de los caldos libres
de clulas estuvieron asociadas con una elevada acumulacin de compuestos
extracelulares (proteinas y carbohidratos) que viscosifican elmedio.
4.3.
Es importante resaltar que el objetivo principal de este trabajo esta relacionado con la observacin de la dinmica del estado de un biorreactor, a travs
del proceso de observacin de los estados y estimacin de parmetros partiendo
de la informacin disponible o medible en el sistema. Pero no es suficiente la
observacin del proceso sino tambin se requiere controlar el proceso. Si consideramos esto ltimo, en la Figura 4-1 se muestra un esquema de control de un
biorreactor. En el recuadro con lnea de color rojo se muestra de manera general
los elementos necesarios para controlar el proceso. Estos elementos son algoritmos matemticos, es decir, un software de control o un software sensor (sensor
virtual), por tanto, la ubicacin de este trabajo en un esquema de control de
un biorreactor corresponde a la parte del diseo de los algoritmos matemticos
(software) para construir un sensor virtual. Este software utiliza la informacin
disponible en el biorreactor para estimar el parmetro kL a en lnea.
La combinacin entre el diseo de un algoritmo de control y software sensor
propuesto en este trabajo se sugiere que puede ser utilizado en combinacin con
un tcnica de control para controlar el proceso, actuando sobre un elemento fsico
en el biorreactor a partir de la informacin entregada por el software sensor.
Prefermentador
Algoritmo de
control
Software
sensor
Biorreactor o
Fermentador de
produccin
Substrato
Sensores:
analizadores y
aparatos de
medicin
T
T
sentan como ytM odelo = Xt St Ct Vt con C = 1 1 1 1 (todos los
T
T
Exp
los estados disponibles se identifican aqu como yt
= XtExp StExp CtExp VtExp .
En el primer caso cuando se dispone del modelo que describe la dinmica del
biorreactor (para este estudio reactor lote y lote alimentado) la informacin sobre la dinmica del sistema esta completa, sin embargo, en una situacin prctica
o de aplicacin (experimentacin) disponer de los estados para observar y controlar el sistema es una funcin directa de la instrumentacin disponible en el
T
biorreactor, esto implica que C no siempre tiene la forma C = 1 1 1 1 .
En este trabajo se asumi que el nico estado disponible en lnea fue la
41
T
C = 0 0 1 0 o que ytExp = Ct xt , sin embargo, en la estructura del
algoritmo para estimar el parmetro kL at se requiere de la dinmica de la biomasa, Xt , en lnea y t . La biomasa (y el resto de los estados) se generan con
la RND. La RND esta representada en el recuadro b), en este punto la RND
recibe la informacin disponible ytExp = Ct xt y acta sobre esta para observar aquellos estados que no pueden ser medidos y generar todos los estados del
h
iT
bt Vbt .
bt Sbt C
sistema ytRN D = X
Sistema
a)
Biorreactor
Experimentacin
Exp
yt
Xt St Ct Vt
Modelo
yt
yt C t
b)
xt
Modelo
yt
Xt St Ct Vt
Exp
yt
Xt St C t Vt
Xt St C t Vt
RND
x t0
Observador
RND
yt
Modelo
Xt
St Ct Vt
Identificador
X S C V
RND
yt
c)
Xt S t Ct Vt
Estimadores
ut
Velocidad
Velocidad Especfica
Especfica de
de Crecimiento
Crecimiento
k Lat
Coeficiente Volumtrico de
Coeficiente Volumtrico de
Transferencia de Oxgeno
Transferencia de Oxgeno
Entonces los estados observados por la RND ytRN D se utiliza en la estructura de los estimadores (recuadro c)) para estimar el kL at . Ntese que el
vector de estados (xt ) no est relacionado con la dinmica de formacin de algn
producto (Pt ) ya que en este estudio no se consider necesario conocer la dinmica de Pt , debido a que el diseo de los algoritmos para estimar el parmetro
kL at estn relacionados con la informacin disponible el lnea y principalmente
porque la estructura del estimador no se requiere de la dinmica de Pt .
4.4.
Factores
controlables
(Acciones de control)
Informacin
disponible
(Salidas)
Biorreactor
Figura 4-3: Sistema (biorreactor)
Estados del sistema:
Acciones de control:
T
xt : = x1,t , ..., xn,t
T
ut : = u1,t , ..., uk,t
(4.1)
T
yt : = y1,t , ..., ym,t
(4.2)
4.4.1.
(4.3)
43
(4.5)
el vector de velocidad
gL1 h1 , el vector
de velocidad para los
1alimentacin
1
1
gases exhaustos gL h
y la velocidad de dilucin h
respectivemente.
Los balances de masa y energa dados en el modelo descrito por (4.5) esta
compuesto de dos trminos
1. La dinmica de transporte: (F Q Dx) debido al flujo de materia a
travs del reactor.
2. La dinmica de reaccin o la biocomversin (G (x) ) debido a las biotransformaciones.
4.5.
xt
C
= x
bt = f (xt , ut , t) + 1,t , x0 conocida
(4.6)
= Cxt + 2,t
Rn ,yt Rp t 0, ut Rm
Rpn , t,1 Rn1 y 2,t Rp1
kCxt kik 2,t k
T
0 0 1 0 , puesto que la concentracin de oxgeno disuelto en el medio de
cultivo es la variable ms comn a medir en los procesos aerobios, es decir, el
j = 1, 2
(4.7)
que puede ser asociada con diferentes condiciones de operacin del biorreactor
y errores en la medicin de la variable disponible (oxgeno disuelto en el medio
de cultivo). Ntese que el sistema no lineal (4.6) siempre puede ser descrito
como:
x
bt
fet :
(4.8)
= f (xt , ut , t) f0 (xt , ut , t | )
(4.9)
: = W10 , W20 , A0 <nn , W10 , W20 <nn , (x) <l1 , (t) <nm
(4.10)
Las funciones de activacin i () y () son seleccionadas como funciones sigmoides
j (t) :
kl (t) :
j
1
n
X
= aj 1 + bj exp
cj xj
(4.11)
j=1
1
n
X
= aj 1 + bkl exp
ckl xl
(4.12)
j=1
= 1, n, k = 1, n, l = 1, m
4.5.1.
45
Identificador de estados
Consideramos la dinmica de un reactor lote alimentado descrita por el sistema (1.14-18), donde el vector de estados (xt ) se conoce completamente (datos
experimentales). La evolucin de los estados puede ser identificada utilizando
la RND, buscando la mejor aproximacin a este modelo no lineal usando los
datos conocidos de entrada y salida. La descripcin de este tipo de RND es:
x
et = Ae
xt + W1,t (e
xt ) + W2,t (e
xt ) ut
(4.14)
AT P + P A + P RP + Q = 0
(4.15)
Donde x
et <n es el vector de estados de la RND, ut <q , es la accin de
control, A <nn es una matriz Hurwitz, W1,t <nk es la matriz de pesos
para la retroalimentacin de los estados no lineales, W2,t <nr es la matriz
de pesos de entrada, vector de campo (e
xt ) : <n <k es diseado para
tener elementos con una conducta de incremento montonamente justo como
funcin sigmoide. La funcin () la transformacin de <n a <rs la cual es
construida por funcin sigmoide de activacin en cada elemento. La funcin de
entrada u () se asume a ser acotada como kut k2 u. El diseo del identificador
requiere del siguiente condicin: existe una matriz Hurwitz Q definida positiva
tal que la ecuacin de Riccati tiene una solucin positiva P = P T > 0
= K1 P t (b
xt )
(4.16)
T
= K2 P t (b
ut ) (b
xt )
(4.17)
= xt x
bt
(4.18)
(4.19)
T
lm W2,t = 0
(4.21)
j = 1, n
(4.24)
4.5.2.
Observador de estados
K Rnm
(4.25)
d
bt , ut , t) + Kt [yt C x
bt ]
(4.26)
x
bt = f (x
dt
d
bt + W1,t (b
xt ) + W2,t (b
xt ) ut + Kt [yt C x
bt ]
(4.27)
x
bt = A(0) x
dt
bt es el vector
Donde Kt Rnm es la matriz de ganancia del observador, x
de estados en la ecuacin diferencial matricial. Las condiciones iniciales en la
ecuacin vectorial diferencial son x
bt=0 las cuales se fijan. A este esquema se le
llama Neuro-Observador.
De manera semejante como en la estructura del identificador el error se define
como t : = xt x
bt ,
El factor ms importante sobre la dinmica de la RND esta relacionado con
la evolucin en el tiempo de los pesos. Esto es una consecuencia de la estructura
compleja no lineal de las ecuaciones diferenciales en la matriz de pesos. Para el
modelo del observador las leyes de aprendizaje se definen de la siguiente manera
d
xt ) (b
xt )T M1,t
W1,t = (1,t + 2 ,t ) [W1,t W1 ] (b
dt
(4.28)
W2,0 = W2
47
(4.29)
(4.30)
con
+T 1
1
1,t = P N T C0+ (1
P
C + 2 ) C0 N
(4.31)
2 ,t = P N T N 1 P
(4.32)
M1,t = 2P N T (b
xt ) yet C0+
(4.33)
Kt = Pt1 C0T 1
(4.35)
M2,t = 2Pt N T (b
xt ) (ut ) yet C0+
(4.34)
Para construir la prueba de convergencia en este esquema es nuevamente construir una funcin de Lyapunov para derivar las leyes de aprendizaje. Esta funcin
de Lyapunov fue selecciona como:
1 hfT f i 1 hfT f i
Vt := Tt P t + tr W
1,t W1,t + tr W2,t W2,t
2
2
(4.36)
(4.37)
ut
xt
Planta
Biorreactor
Yt
xt
RND
IDENTIFICADOR
xt xt
Yt Yt
RND
OBSERVADOR
Yt
K
Figura 4-4: Diagrama a bloque de la RND. Identificador y observador
4.5.3.
49
a) Entrenamiento de la RND
ut
xt
Planta
Biorreactor
xt = [ X t
xt = X t
St
St
Ct Vt ]
C t Vt
RND
IDENTIFICADOR
xt xt
xt
C := 0 0 1 0
ut
Yt = [ X t
Planta
Biorreactor
C = [ Xt
St
Ct
Vt ]
Ct Vt ]
St
C
C = [ 0 0 1 0]
RND
OBSERVADOR
Yt Yt
Yt
Yt = [ 0 0 Ct
0]
4.6.
4.6.1.
De acuerdo a lo expuesto en el captulo 1 (modelos matemticos de procesos de fermentacin), el modelo bsico del comportamiento para el crecimiento
51
= [t Dt ] Xt
(4.38)
= k1 t Xt + Dt [Sin St ] con k1 =
1
YXS
= Et Ft = Dt Vt Ft
(4.39)
(4.40)
Xt , St , Vt
Sin , Dt , Ft (perturbaciones)
t , k1
= t Xt
(4.41)
= k1 t Xt
(4.42)
= Constante
(4.43)
= [t Dt ] Xt
(4.44)
= k1 t Xt + Dt [Sin St ]
(4.45)
= Et = Dt Vt (Variable)
(4.46)
Los cultivos estudiados (S. serevisiae y A. vinelandii , reactor lote alimentado y lote respectivamente) fueron procesos de fermentacin aerobios
(biotransformaciones donde se transforman materias primas en productos,
mediante rutas metablicas activadas por la presencia de oxgeno). El balance de oxgeno disuelto en la fase del lquido (DOt , por sus sigla en
ingls) en el biorreactor esta dado por:
Et
d
DOt
DOt = OT Rt OU Rt +
dt
Vt
(4.47)
(4.48)
go2
Donde
OT
R
t
Lh es la velocidad de transferencia de oxgeno y OU Rt
go2
Lh es la velocidad de consumo de oxigeno, debido a la actividad metablica de las clulas.
4.7.
OT Rt ' OU Rt
DOtSensor = OU Rt
kL at Ct
1
kL at = OU Rt
Ct DOtSensor
(4.49)
(4.50)
(4.51)
Y cuando DOtSensor 0 De la igualdad (4.51) la velocidad mxima de transferencia de oxgeno esta dada por
C
kL at C = OU Rt
(4.52)
C DOtSensor
y cuando DOtSensor tiende a cero en (4.52), se tiene que kL at C = OU Rt . Las
lecturas del sensor, DOt , tiene un tiempo de respuesta Sensor [s] y es modelado
con un sistema de primer orden con
d
1
1
DOtSensor = Sensor DOtSensor + Sensor DOt
dt
(4.53)
1
1
1
=
(4.54)
kL at = OU Rt
t
YO2
C DOtSensor
C DOtSensor
53
Se asumi que el estado estable se inicia inmediatamente despus de haber terminado el modo de produccin en lote, es decir, instantes despus de iniciado
el cultivo en lote alimentado. Durante el cultivo en lote alimentado, la concentracin de substrato, prcticamente es cero, es decir, St 0. Por lo tanto
dSt
dt ' 0. Este comportamiento se puede ver en la Figura 4-7
CDA
10
CDA-1
12
S(t) [g*L-1]
S(t) [g*L-1]
8
6
4
6
4
2
0
2
0
10
15
20
Tiempo [h]
25
30
10
15
20
Tiempo [h]
25
30
S(t)
CDA-2
12
CDA-IBT
25
20
S(t) [g*L-1]
S(t) [g*L-1]
10
6
4
15
10
5
2
0
10
15
20
Tiempo [h]
25
30
20
40
Tiempo [h]
60
80
(4.55)
Entonces de (4.45)
0'
1
Xt + Dt Sin
YXS t
Dt Sin =
1
Xt
YXS t
(4.56)
(4.57)
= Dt Sin
(4.58)
YXS
= Dt Sin
Xt
Ft YXS
= Sin
Vt
Xt
(4.59)
(4.60)
4.8.
Ft
YXS
1
1
kL aExp
=
S
(4.61)
in
t
Vt
Xt
YO2
C DOtSensor
4.9.
Stmx
k1
(4.62)
Prueba
1. Cuando Xt = 0, tenemos que
para todo t siguiendo de A2.
d
dt Xt
(4.63)
(4.64)
(4.65)
La conclusin Zt < Stmx para todo t seguido de A7. puesto que St > 0 por
(2), claramente se tiene para todo t:
Xt <
4.10.
Stmx
= Xtmx
k1
(4.66)
bt = C2 Xt X
dt
1
2 1
Donde las constantes C1 h
y C2 Lh g
son estrictamente positivas, es
decir, C1 > 0 y C2 > 0.
La estimacin de la velocidad especfica de crecimiento t es derivada por la
bt . La dinmica de X
bt es obtenida va la ecuacin
observacin del error Xt X
diferencial (4.67) la cual incluye la ecuacin no lineal (4.44) (donde el parmetro
desconocido t se remplaza por su estimado en lnea) y un trmino proporcional
bt .
a la observacin del error Xt X
4.10.1.
et = t
(4.69)
(4.70)
d
d
d
e =
b
dt t dt t dt t
Desarrollando (4.71) con (4.44) y (4.67)
d e
et
bt Xt + Dt Xt C1 X
Xt = t Xt Dt Xt
dt
d e
et
et C1 X
Xt = Xt
dt
y tambin desarrolla (4.72) con (4.68)
d
d
et
e = C2 X
dt t dt t
(4.71)
(4.72)
(4.73)
(4.74)
(4.75)
(4.76)
h
et
x (t) = X
C1
A=
C2
B(t) =
u =
et
iT
Xt
0
T
0 1
d
dt t
(4.77)
(4.78)
(4.79)
(4.80)
El diseo de los parmetros C1 y C2 se visualiza al obtener la ecuacin caracterstica de la matriz A, det (I A),
( + C1 ) Xt
det (I A) = det
(4.81)
C2
(4.82)
Esta es una ecuacin de segundo orden que se resuelve de forma general como
sigue
p
C1 2 C12 4C2 Xt
(4.83)
i =
2
una importante guia es seleccionar los polos reales, esto se logra estableciendo
la siguiente desiguladad (4.84) (vase apndice 4 y 5).
C12 4C2 Xt 0
(4.84)
C12
4Xt
(4.85)
con
0 < < 1
(4.86)
bt = C2 Xt Xt X
dt
(4.88)
por tanto, con el sistema (4.71-72) se deduce el error del sistema de manera
semejante al caso anterior y sudinmica de error es
d
(4.89)
x (t) = Xt Ax (t) + B (t) u (t)
dt
C1
C2
1
0
T
B(t) = 0 1
(4.91)
(4.92)
C12
4
(4.93)
d
t k < M1
La derivada de t en el tiempo esta acotada para todo t k dt
Xt es estrictamente positiva para todo t: Xt > 0
Entonces se tienen los siguientes resultados para las propiedades de estabilidad y convergencia
Estabilidad
Teorema 2.1 (Bastin y Dochain, 1986)
Bajo las suposiciones A1 a A9, existe una constante positiva k0 y k1 , tal que
el vector de x (t) esta acotado como sigue, para todo t:
kx (t) k k0 kx (0) k + k1 M1
(4.94)
Prueba de estabilidad
Se considera el sistema autnomo descrito por
d
= Xt A t
dt t
(4.95)
(4.96)
(4.98)
4.10.2.
(4.104)
1
1 0
B (t) =
x(t)
x(t) 1
(4.105)
b
dt t
y el error se hace
h
i
bt
=
bt Xm,t Dt Xm,t + C1 Xm,t Xm,t + X
h
i
bt
= C2 Xm,t Xm,t + X
d
x(t) = Xm,t Ax(t) + B(t)u(t)
dt
(4.107)
(4.108)
(4.109)
con x(t) y Xt definidas de igual forma que el caso anterior (libre de perturbaciones):
iT
h
et
et
X
C1 1
A =
C2 0
(4.110)
x(t) =
(4.111)
Dt t C1 Xm,t
B(t) =
C2 Xm,t
y,t
u(t) =
0
1
(4.112)
(4.113)
La medicin del ruido y,t esta acotada, pata todo t: k y,t k < M2
Xm,t es estrictamente positiva, para todo t: Xm,t > > 0
La velocidad de dilucin Dt esta acotada, para todo t: 0 < Dt < Dtmx
(4.114)
1 M1
e
+
( + 2 C1 ) + 3 + 1 + 4 C1
M2 M2
lm sup | Xt |
t
C2
1 2 1
1 2
(4.115)
1 C1
lm sup |
et |
M1 + ( 5 C1 M2 + 6 + 7 C1 ) M2
(4.116)
t
C2
con
1
2
1
2
1
2
2
2
(4.117)
,
1
1
y 1 (i = 1 a 7) son constantes positivas independientes del diseo de los
parmetros C1 y C2 .
Prueba
De manera similar que en el teorema 2.2 y si se considera el siguientes cambio
de escala:
dt = Xm,s ds
(4.118)
y denotando aqui que:
B1 =
M2
+ C1 (Xm,t + M2 )}
max {Dtmx + mx
t
(4.119)
4.11.
(4.122)
b
(4.123)
Ct = kd
L at [C Ct ] OU Rt + C1 Ct Ct
dt
h
i
dd
bt
(4.124)
kL at = C2 Ct C
dt
1
2 1
y C2 Lh g
son estrictamente positivas, es
donde las constantes C1 h
decir, C1 > 0 y C2 > 0.
La estimacin del coeficiente volumtrico de transferencia de oxgeno kL at es
bt . Las mediciones estimadas de C
bt se
derivado de la observacin del error Ct C
obtienen con la ecuacin diferencial (4.123) la cual incluye la estructura no lineal
de la ecuacin (1.21), (donde el parmetro desconocido kL at ha sido remplazado
por su estimador en lnea) y el trmino proporcional para la observacin del error
bt .
Ct C
Estabilidad y convergencia: caso libre de perturbaciones (
y,t
= 0)
df
Ct
dt
bt
= Ct C
d
d b
=
Ct C
t
dt
dt
(4.125)
dg
kL at
dt
= kL at kd
L at
d
d
=
kL at kd
L at
dt
dt
(4.126)
C1 [C Ct ]
A=
C2
0
T
B(t) = 0 1
(4.127)
(4.128)
(4.129)
(4.130)
0
C1 [C Ct ]
det (I A) = det
(4.131)
0
C2
0
( + C1 ) [Ct C ]
(4.132)
det (I A) = det
C2
(4.133)
Y por lo tanto
C2 =
C12
4 [Ct C ]
(4.134)
C1 1
A=
(4.135)
C2 0
Por lo cual el sistema de ecuacoines (4.123), (4.124) se puede rescribir de la
forma siguiente:
h
i
d b
b
a
[C
C
]
OU
R
+
C
[C
C
]
C
C
Ct = kd
L t
t
t
1
t
t
t
dt
h
i
dd
bt
kL at = C2 [C Ct ] Ct C
dt
(4.136)
(4.137)
C1 1
A=
C2 0
(4.138)
(4.139)
C12
, con 0 < 1
4
(4.140)
y,t
6= 0)
y,t
(4.141)
b
(4.142)
Ct = kd
L at [C Cm,t ] OU Rt + C1 [C Cm,t ] Cm,t Ct
dt
h
i
dd
bt
(4.143)
kL at = C2 [C Cm,t ] Cm,t C
dt
bt y kd
Donde C
L at son estimados de Ct y kL at y C1 y C2 son dos constantes
positivas (C1 > 0, C2 > 0).
los errores se definen de igual forma que (4.125) y (4.126), y el siguiente
sistema del error puede ser deducido de (4.141), (4.142), (4.48):
con
d
x (t) = [C Ct ] Ax(t) + B(t)u(t)
dt
iT
h
et kg
x (t) = C
a
L t
C1 1
A=
C2 0
kL at C1 [C Cm,t ] 0
B(t) =
C2 [C Cm,t ]
1
#
"
u(t) =
y,t
kL at
(4.144)
(4.145)
(4.146)
(4.147)
(4.148)
4.11.1.
La prueba de estabilidad para el estimador de kL at se presenta a continuacin. Para una mejor comprensin de la metodologa utilizada para la
demostracin de la estabilidad del estimador propuesto, en el apndice 9 se presenta la teora de Lyapunov especificamente cuando se trabaja sobre sistemas
autnomos.
Para probar la estabilidada del sistema
d
(4.149)
x (t) = [C Ct ] Ax (t) + B (t) u (t)
dt
se consider que el sistema es autnomo, es decir, en (4.149) u (t) = 0,entonces
el sistema (4.149) tiene la forma siguiente
d
x (t) = [C Ct ] Ax (t)
dt
x (t) = [C Ct ] Ax (t)
(4.150)
x (t) = Ax (t)
con = [C Ct ] y aplicamos el criterio de Lyapunov para la funcin V [x]
candidata definida como una funcin cuadratica de la forma:
T
(4.151)
iT
et kg
donde x = C
, es decir, la dinmica del error del estimador.
L at
Probando la funcin candidata descrita por (4.151)
V [x (t)] = x P x + xT (t) P x
(4.152)
T
= x (t) AT P + P A x (t)
= x (t)T Qx (t)
con
AT P + P A = Q
"
"
#
#
#
et
e
e
C
C
C
t
t
V g = [C Ct ] g
AT P + P A g
kL at
kL at
kL at
"
(4.153)
(4.154)
V [x] < 0
(4.155)
4.12.
Exp
y kL aExp
t
67
En cada subsistema se almacena la informacin de diseo para cada operacin requerida de la estructura de los algoritmos utilizados.
Captulo 5
Resultados y Discusin
5.1.
Introduccin
En este captulo se presentan los resultados y la discusin obtenidos despus de haber aplicado el software sensor desarrollado a datos experimentales.
El diseo del software sensor se realiz por medio de la combinacin de algoritmos matemticos (sistemas no lineales): Redes Neuronales Diferenciales
(RND) identificador y observador de estados basados en RND, estimadores no
lineales para la velocidad especfica de crecimiento, t , y para el coeficiente
volumtrico de transferencia de masa, kL at . Los datos experimentales utilizados, fueron obtenidos de cultivos aerobios para Saccharomices cerevisiae y Azotovacter vinelandii en sistemas de cultivos reactor lote alimentado y lote respectivamente.
El captulo esta organizado como sigue: los algoritmos utilizados para estimar
el parmetro kL at fueron validados primero para los cultivos en reactor lote
alimentado (corridas experimentales identificadas como CDA, CDA-1 y CDA2), posteriormente la validacin se realiz para el cultivo en reactor lote (corrida
experimental identificada como CDA-IBT).
Los algoritmos (estimadores y la RND) se disearon en su estrctura para
su mejor desempeo, a travs de un proceso de seleccin de valores en sus
parmetros, es decir, para cada diseo en los parmetros es una nueva seleccin
de valores de estos y no se refiere a un cambio en la estructura de los algoritmos.
5.2.
70
CAPTULO 5.
Fermentacin
CDA, CDA-1, CDA-2
CDA-IBT
RESULTADOS Y DISCUSIN
Estados Experimentales
XtExp , StExp , VtExp , CtExp
XtExp , StExp , VtExp , CtExp , OT RtExp , OU RtExp
Reactor
Fed-batch
Batch
La base de datos experimentales de la Tabla 5.1 se integr por datos experimentales para cultivos sumergidos; proporcionados por los doctores Juan S.
Aranda Barradas (IPN-UPIBI) y Carlos Pea Malacara (IBT-UNAM), las
corridas experimentales CDA, CDA-1 y CDA-2 y corrida experimental CDAIBT respectivamente. Para cada tipo de cultivo se dispuso de datos obtenidos
fuera de lnea (XtExp y StExp obtenidos experimentalmente) y datos obtenidos en
lnea (CtExp , OT RtExp , OU RtExp medidos en lnea nicamente para la corrida
CDA-IBT).
Nota: En adelante en este captulo todos estados XtExp , StExp y VtExp se
refieren a datos que fueron obtenidos durante el proceso de experimentacin
fuera de lnea o o line y los estados experimentales CtExp , OT RtExp , OU RtExp
obtenidos en lnea o on line.
Estos estados fueron identificados sper ndice Exp para indicar que son datos
experimentales.
Las caractersticas para cada fermentacin se presentan en las siguientes
tablas:
1. Condiciones iniciales de los cultivos (Tabla 5.2).
Tabla 5.2: Condiciones iniciales de los cultivos
Estado
CDA-1 CDA-2 CDA-IBT
t=
0 CDA
Xt gL1
0,36876 0,35164 0,44828
0,5
10
11,4
10,3
20,07
St gL1
6
6
6
3
Vt gL1
finales de
CDA-1
6h
3,1943
0,179
6,5953
3 Condiciones fianles de los cultivos reactor lote alimentado para S. cerevisiae (Tabla 5.4).
Tabla 5.4: Condiciones finales de los cultivos:
Estado
CDA CDA-1
t =
24 h
26 h
Xt gL1 14,263 13,457
St gL1
0
0,024
Vt (L)
13,324 12,816
5.2.1.
en las figuras
Exp
t
bExp
t
kL aExp
t
Obs
d
kL a
t
XtExp
btExp
X
XtObs
btObs
X
y1
y2
y3
y4
y5
y6
y7
YQ
O2
5.3.
Dimensin
Cmol
Cmol
Cmol
Cmol
Cmol
mol
KJ
mol
Valor
0.4-0.7
0.1-0.2
1-2
0.35
Los algoritmos matemticos diseados en el captulo 4: Identificador de estados (RND), observador de estados o Neuro-Observador (NOD), estimador
para la velocidad especfica de crecimiento, t , y el estimador para el coeficiente volumtrico de transferencia de masa, kL at , fueron utilizados para disear el software sensor y, los algoritmosque se aplic a cada una de las corridas
experimentales de acuerdo al siguiente esquema de trabajo.
Nota: En el diseo del estimador (software sensor) los diferentes algoritmos
matemticos evolucionan en el tiempo de forma acoplada, sin embargo, para
facilitar el entendimiento en la estructura del software sensor en este trabajo,
a continuacin se especfica la estrategia de trabajo desarrollada al aplicar el
estimador a los datos experimentales.
72
CAPTULO 5.
RESULTADOS Y DISCUSIN
1. Identificacin de los datos experimentales con la RND: Los estados experimentales fueron identificados con la RND descrita por (4.14). El objetivo principal al identificar los estados fue establecer los valores de las
bExp
se tomo como la seal de referencia o set point durante el proceso
t
de estimacin de
bObs
.
t
y XtObs .
y (4.124) utilizado
bObs
t
5.4.
10,2
0
0
0
0
82
0
0
A=
0
0
168
0
0
0
0
92,3
Dado que los pesos de la red neuronal, son ajustados mediante dos ecuaciones
diferenciales, es muy importante establecer de manera adecuada sus componentes. Como se ha mencinado previamente, la adaptacin de la red se ve altamente influenciada por la seleccin correcta de la solucin de la ecuacin de
Reccati (4.15)
Y con los valores anteriores se resolvi la ecuacin de Ricatti (4.15)
P = diag 24 32 65 53
Para las funciones sigmoidales (4.11) y (4.12) se muestran en la Tabla 5.5
Tabla 5.5 Parmetros en las funciones sigmoides en la RND
Fermentacin
(x)
(x)
2
2
CDA, CDA-1,CDA-IBT
0,5
1+e0,2x
1+e0,2x 0,5
2
2
0,5
CDA-2
1+e0,2x
1+e0,2x 0,05
As mismo el proceso de adaptacin de la red depende de la eleccin de las
constantes K1 y K2 y de las condiciones iniciales bajo las cuales se establecer
la solucin nmerica de estas descripciones matemticas. Las matrices iniciales
seleccionadas fueron las siguientes:
Las condiciones iniciales en la ley de aprendizaje descrita por (4.16-17).
W1,t=0
4,54
5,60
=
3,40
2,30
5,34
2,34
5,40
4,60
5,40
4,34
4,50
5,50
2,50
4,54
5,60
3,50
W
=
4,60 2,t=0 3,40
2,80
2,30
5,34
2,34
5,40
4,60
1,40
4,34
4,50
1,50
2,50
3,50
4,60
2,80
K1 = diag 300 300 300 300 , K2 = diag 276 276 276 276
5.5.
74
CAPTULO 5.
RESULTADOS Y DISCUSIN
0,45
0,15
CDA-IBT
0,2x
0,2x
1+e
1+e
Las condiciones iniciales en la ley de aprendizaje definida por (4.28) y(4.29)
y los valores de las ganancias K1 y K2 fueron las siguientes:
W1,t=0 = W2,t=0
1,3
3,5
=
2,8
2,8
3,4
4,5
3,7
3,7
4,5
2,8
1,5
1,5
4,5
5,6
5,6
5,6
K1 = diag 0,1 0,1 0,1 0,1 , K2 = diag 1,6 1,6 1,6 1,6
5.6.
5.6.1.
Estados experimentales
20
Reactor: Lote
18
16
X, S [g*L-1], V [L]
14
12
10
8
X-Exp
S-Exp
V-Exp
2
0
0
10
15
Tiempo [h]
20
25
30
5.6.2.
La caracterstica ms importante para un cultivo en modo reactor lote alimentado es la dinmica del flujo de alimentacin al biorreactor. El flujo de alimentacin al biorreactor se muestra en la Figura 5-2.
1.4
Reactor: Lote
1.2
F(t) [Lh-1]
0.8
F(t)
0.6
0.4
0.2
0
0
10
15
20
25
30
Tiempo [h]
76
5.6.3.
CAPTULO 5.
RESULTADOS Y DISCUSIN
5.6.4.
5.6.5.
btExp
Observacin del error XtExp X
16
Reactor: Lote
x1 Biomasa estimada
14
x2 Biomasa experimental
x1, x2 [gL-1]
12
10
0
0
10
15
Tiempo [h]
20
25
30
5.6.6.
btExp .
Norma del error de X
btExp ,
La norma del error para el estado de biomasa experimental estimada, X
se presenta en la Figura 5-4
78
CAPTULO 5.
RESULTADOS Y DISCUSIN
Reactor: Lote
1.8
CDA
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0
10
15
20
25
30
Tiempo [h]
5.6.7.
Reactor: Lote
CDA
1
y1 Velocidad especfica de crecimiento estaimada
0.8
y1 [h-1]
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
0
10
15
Tiempo [h]
20
25
30
5.6.8.
Reactor: Lote
2000
CDA
1500
y2 [h-1]
1000
500
-500
-1000
-1500
0
10
15
Tiempo [h]
20
25
30
Como los valores de C1 y C2 para el Diseo A no fue suficiente para lograr el mejor desempeo del estimador. Para encontrar un buen desempeo del
estimador se continuo diseando los parmetros C1 y C2 .
5.6.9.
5.6.10.
btExp
Observacin del error XtExp X
80
CAPTULO 5.
16
RESULTADOS Y DISCUSIN
Reactor: Lote
14
X- (t) - Biomasa experimental
X(t)- Biomasa estimada
12
10
0
0
10
15
Tiempo [h]
20
25
30
bt X
btExp con C1 = 0,07 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2
Figura 5-7: CDA. Norma del error de X
5.6.11.
btExp .
Norma del error de X
Reactor: Lote
1.8
CDA
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0
10
15
Tiempo [h]
20
25
30
5.6.12.
La evolucin de
b (t) obtenida se muestra en la Figura 5-9.
Reactor: Lote
1.2
CDA
1
y1 Velocidad especifca de crecimiento estimada
y1 [h-1]
0.8
0.6
0.4
0.2
-0.2
0
10
15
Tiempo [h]
20
25
30
5.6.13.
Reactor: Lote
CDA
y2 Coeficiente volumtrico de transferencia de masa estimado
600
y2 [h-1]
500
400
300
200
100
0
-100
0
10
15
Tiempo [h]
20
25
30
5.6.14.
82
5.6.15.
CAPTULO 5.
RESULTADOS Y DISCUSIN
btExp
Observacin del error XtExp X
btExp es
Como se observa en la Figura 5-11 prcticamente la evolucin de X
btExp ' 0, se utiliz un marcador para poder
casi igual a XtExp , es decir, XtExp X
Exp
bt .
distinguir la trayectoria de X
16
Reactor: Lote
14
CDA
x1 Biomasa estimada
x2 Biomasa experimental
12
x1, x2 [gL-1]
10
0
0
10
15
Tiempo [h]
20
25
30
5.6.16.
btExp .
Norma del error de X
2
Reactor: Lote
1.8
CDA
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0
10
15
Tiempo [h]
20
25
30
5.6.17.
La evolucin de
bExp
se muestra en la Figura 5-13, este comportamiento de
t
se tom como referencia (set point), en la seccin donde se muestran los
resultados del desempeo del estimador para kL at . Adems, esta dinmica fue
una funcin del flujo de alimentacin, Ft .
bExp
t
Reactor: Lote
0.9
0.8
0.7
y1 [h-1]
0.6
0.5
0.4
0.3
0.2
0.1
0
10
15
Tiempo [h]
20
25
30
5.6.18.
84
CAPTULO 5.
500
Reactor: Lote
450
RESULTADOS Y DISCUSIN
CDA
400
350
y2 [h-1]
300
250
200
150
100
50
0
0
10
15
Tiempo [h]
20
25
30
0.12
CDA
0.1
0.08
0.06
0.04
0.02
10
15
Tiempo [h]
20
25
30
5.6.19.
Una necesidad importante en la estructura del algoritmo diseado para estimar el parmetro kL at , descrito por (4.136-137) fue que se requera disponer
en lnea de la evolucin de la velocidad especfica de crecimiento del cultivo, t
, y la concentracin de biomasa, Xt . Para poder estimar en lnea t , primero se
requiri de disponer tambin en lnea del estado Xt . Esta situacin quedo resuelta al utilizar NOD el cual permiti construir toda la dinmica del proceso de
fermentacin, es decir, los estados experimentales fueron observados, por tanto
estuvieron disponibles en lnea con lo cual se logro estimar t y posteriormente
el parmetro kL at , a partir de los datos observados por NOD. A continuacin
se muestran estos resultados.
5.6.20.
Este procedimiento (adaptacin del identificador basado en RND) fue importante, ya que permiti establecer el diseo de los parmetros para el NOD.
Para garantizar la convergencia del error de estimacin cercana a cero, el proceso de entrenamiento para CDA con RND se llevo acabo con la finalidad
W 2 . La dinmica de los estados fue obtenida usando CDA con las condiciones
iniciales del cultivo, cuando se obtuvo un mal desempeo en la convergencia
del error, un nuevo arreglo de las matrices propuestas empricamente fue necesario en la prxima vez y as sucesivamente. Entonces cuando se logr la mejor
convergencia del error, entonces la RND emula la dinmica del cultivo.
16
Reactor: Lote
14
12
Estados Experimentales
X(t)-Exp
10
S(t)-Exp
O(t)-Exp
V(t)-Exp
X(t)-Red
S(t)-Red
O(t)-Red
V(t)-Red
0
0
10
15
20
25
30
Tiempo [h]
86
CAPTULO 5.
5.6.21.
RESULTADOS Y DISCUSIN
Reactor: Lote
400
CDA
350
300
250
200
150
100
50
0
-50
0
10
15
Tiempo [h]
20
25
30
Reactor: Lote
CDA
5.5
5
4.5
4
3.5
3
2.5
2
1.5
1
0
10
15
Tiempo [h]
20
25
30
W1,t
=
18,99 12,41
2,229
135,4
43,17
29
0,8454 376,8
(5.1)
W2,t
=
1,413 4,347 4,498 1,62
2,537 3,523 4,545 3,144
(5.2)
Las matrices de pesos finales (5.1) y (5.2) son para la mejor convergencia del
error en el proceso de entrenamiento de la RND, fueron las utilizadas en la ley
W 1 := W1,t
W 2 := W2,t
(5.3)
(5.4)
5.6.22.
Los estados no disponibles para ser medidos en lnea Xt y St , fueron observados con el NOD descrita por la nica informacin accesible en lnea que fue
la concentracin de oxgeno disuelto en el medio de cultivo, Ct , es decir, a partir
de Ct se reconstruye toda la informacin del sistema. La evolucin de los pesos
en la ley de aprendizaje descrita por (4.28-29) se muestra en las Figuras 5.19 y
5.20.
88
CAPTULO 5.
450
Reactor: Lote
RESULTADOS Y DISCUSIN
400
CDA
350
300
250
200
150
100
50
0
-50
0
10
15
Tiempo [h]
20
25
30
Reactor: Lote
-2
-4
0
10
15
Tiempo [h]
20
25
30
5.6.23.
16
Reactor: Lote
14
12
X(t)- Experimental
X(t)- Neuro-observador
Biomasa [g*L-1]
10
0
0
10
15
Tiempo [h]
20
25
30
16
Reactor: Lote
14
S(t) - Experimental
12
S(t) - Neuro-observador
Substrato [g*L-1]
5.6.24.
10
0
0
10
15
Tiempo [h]
20
25
30
90
5.6.25.
CAPTULO 5.
RESULTADOS Y DISCUSIN
x 10
-3
Reactor: Lote
1.8
1.6
C(t)- Referencia (set point)
Oxgeno [g*L-1]
1.4
C(t)- Neuro-observador
1.2
1
0.8
0.6
0.4
0.2
0
10
15
Tiempo [h]
20
25
30
5.6.26.
14
V(t)- Experimental
Volumen [L]
12
V(t)- Neuro-observador
10
10
15
Tiempo [h]
20
25
30
5.6.27.
bObs
. En la estructura del algoritmo (4.136) y (4.137) fue necesario dispot
bObs
,
ner de t , que para este caso se identific para todos los casos como
t
esto fue posible debido a que la biomasa fue reconstruida por el NOD
y
bObs
se obtuvo utilizando el algoritmo de Dochain (4.87-88) mediante
t
btObs , es decir la mejor convergencia del
observacin del error de XtObs X
Obs
Obs
b
a cero.
error Xt Xt
5.6.28.
5.6.29.
92
CAPTULO 5.
RESULTADOS Y DISCUSIN
0.7
Reactor: Lote
0.6
y1 Velocidad especifca de crecimiento Estimada
y2 Velocidad especifca de crecimiento Experimental
y1, y2 [h-1]
0.5
0.4
0.3
0.2
0.1
0
0
10
15
Tiempo [h]
20
25
30
14
x1 Biomasa estimada
12
x1, x2 [gL-1]
10
0
0
10
15
Tiempo [h]
20
25
30
Reactor: Lote
0.3
CDA
0.25
0.2
0.15
0.1
0.05
0
0
10
15
Tiempo [h]
20
25
30
Diseo
B
C
D
E
F
C1 Lh1 g 1
1.4
2.1
2.8
3.5
4.2
C2 L2 h2 g 2
0.49
1.1025
1.96
3.0625
4.41
Figura
5-28
5-29
5-30
5-31
5-32
94
5.6.30.
CAPTULO 5.
RESULTADOS Y DISCUSIN
0.7
Reactor: Lote
0.6
y1 Velocidad especifca de crecimiento estimada
y2 Velocidad especifca de crecimiento experimental
y1, y2 [h-1]
0.5
0.4
0.3
0.2
0.1
0
0
10
15
20
25
30
Tiempo [h]
5.6.31.
0.7
Reactor: Lote
0.6
y1 Velocidad especifca de crecimiento estimada
y2 Velocidad especifca de crecimiento experimental
y1, y2 [h-1]
0.5
0.4
0.3
0.2
0.1
0
0
10
15
Tiempo [h]
20
25
30
5.6.32.
0.7
Reactor: Lote
0.6
y1 Velocidad especifca de crecimiento estimada
y2 Velocidad especifica de crecimiento experimental
y1, y2 [h-1]
0.5
0.4
0.3
0.2
0.1
0
0
10
15
Tiempo [h]
20
25
30
5.6.33.
0.7
Reactor: Lote
0.6
y1 Velocidad especifca de crecimiento estimada
y2 Velocidad especifca de crecimiento experiemental
y1, y2 [h-1]
0.5
0.4
0.3
0.2
0.1
0
0
10
15
Tiempo [h]
20
25
30
96
CAPTULO 5.
5.6.34.
RESULTADOS Y DISCUSIN
0.6
y1 Velocidad especifca de crecimiento estimada
y2 Velocidad especifca de crecimiento experimental
y1, y2 [h-1]
0.5
0.4
0.3
0.2
0.1
0
0
10
15
Tiempo [h]
20
25
30
x 10
-3
5.5
Error
4.5
3.5
3
0.5
1.5
2.1
2.5
C1 [h-1]
3.5
4.5
5.6.35.
en el proceso de estimacin de
bObs
.
t
600
Reactor: Lote
500
y3, y4 [h-1]
400
300
200
100
0
0
10
15
Tiempo [h]
20
25
30
obs
Figura 5-34: CDA. Evolucin de kd
para C1 = 100 Lh1 g 1 y C2 = 250 103 L2 h2 g 2
L at
600
Reactor: Lote
500
y3, y4 [h-1]
400
300
200
100
0
0
10
15
Tiempo [h]
20
25
30
obs
Figura 5-35: CDA. Evolucin de kd
para C1 = 3000 Lh1 g 1 y C2 = 2250 103 L2 h2 g 2
L at
98
CAPTULO 5.
RESULTADOS Y DISCUSIN
600
Reactor: Lote
500
y3, y4 [h-1]
400
300
200
100
0
0
10
15
Tiempo [h]
20
25
30
obs
Figura 5-36: CDA. Evolucin de kd
para C1 = 7000 Lh1 g 1 y C2 = 12250 103 L2 h2 g 2
L at
600
Reactor: Lote
500
y3, y4 [h-1]
400
300
200
100
0
0
10
15
Tiempo [h]
20
25
30
obs
Figura 5-37: CDA. Evolucin de kd
para C1 = 10000 Lh1 g 1 y C2 = 25000 103 L2 h2 g 2
L at
x 10
-3
3
1000
2000
3000
4000
5000
6000
C1 [Lg-1*h-1]
7000
8000
9000
10000
Los resultados obtenidos al comparar los valores para el error relativo absoluto para los diferentes diseos de los parmetros C1 y C2 se muestran en la
Figura 5.38 se puede ver que el mejor diseo fue para C1 = 7000 Lh1 g 1 y
C2 = 12250 103 L2 h2 g 2 .
5.7.
5.7.1.
Estados experimentales
Los estados experimentales para la corrida CDA-1 del cultivo de Saccharomyces cereviciae en un reactor lote alimentado se muestran en la Figura 5-39.
100
CAPTULO 5.
16
Reactor: lote
RESULTADOS Y DISCUSIN
CDA-1
14
X, S [g*L-1], V [L]
12
10
8
X-Exp
6
S-Exp
V-Exp
0
0
10
15
20
25
Tiempo [h]
5.7.2.
T
x
bt=0 = 0,35164 11,3 0,0007 6
16
Reactor: lote
CDA-1
14
12
10
X(t)- Exp
8
S(t)- Exp
V(t)- Exp
C(t)- Setpoint
X(t)- Red
S(t)- Red
V(t) -Red
C(t)- Red
0
0
10
15
20
25
Tiempo [h]
5.7.3.
Reactor: lote
CDA-1
400
300
200
100
-100
10
15
20
25
Tiempo [h]
Reactor: lote
CDA-1
1
0
10
15
20
25
Tiempo [h]
5.7.4.
Entrenamiento de la RND
Condiciones iniciales
4,54 5,34
5,60 2,34
W 1,t=0 =
3,40 5,40
2,30 4,60
5,40
4,34
4,50
5,50
2,50
3,50
4,60
2,80
W 2,t=0
4,54
5,60
=
3,40
2,30
5,34
2,34
5,40
4,60
1,40
4,34
4,50
1,50
2,50
3,50
4,60
2,80
102
5.7.5.
CAPTULO 5.
RESULTADOS Y DISCUSIN
Reactor: lote
CDA-1
0.5
F(t)
F(t) [Lh-1]
0.4
0.3
0.2
0.1
-0.1
10
15
20
25
Tiempo [h]
t =
5.7.6.
Dt Sin YXS
Ft
Sin
=
YXS Sin = Dt
YXS
Xt
Vt Xt
Xt
(5.5)
0.5
Reactor: lote
0.45
CDA-1
0.4
Velocidad especfica de crecimiento experimental
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0
10
15
20
25
Tiempo [h]
5.7.7.
Reactor: lote
CDA-1
0.45
y1 Velocidad especifca de crecimiento estimada
0.4
0.5
y1 [h-1]
0.35
a)
0.4
0.3
0.3
0.2
0.25
0.1
0.2
0
0
10
15
20
25
0.15
0.1
0.05
0
10
15
20
25
Tiempo [h]
104
5.7.8.
CAPTULO 5.
RESULTADOS Y DISCUSIN
btExp
Observacin del error XtExp X
btExp por
La evolucin de
bExp
se logr minimizando el error de XtExp X
t
medio del diseo de los parmetros C1 y C2 en la estructura del estimador
btExp se muestra en la Figura 5.46.
(4.87-88). La observacin del error XtExp X
16
Reactor: lote
CDA-1
14
15
12
a)
10
x1, x2 [gL-1]
10
5
8
0
0
10
15
20
25
4
x1 Biomasa estimada
x2 Biomasa experimental
0
0
10
15
20
25
Tiempo [h]
5.7.9.
btExp .
Norma del error de X
Reactor: lote
CDA-1
1.5
a)
0.1
0.5
0
0
10
15
20
25
0.05
0
0
10
15
20
25
Tiempo [h]
bExp
se continu con el calcul del coeficiente volumtrico de transferencia de
t
oxgeno experimental.
5.7.10.
La evolucin de kL aExp
calculado se muestra en la Figura 5.48. La evolucin
t
de kL aExp
en
la
etapa
de
reactor
lote este incrementa con la edad del cultivo, y
t
por tanto por el aumento de la poblacin celular en el biorreactor. Durante el
cultivo en lote alimentado la dinmica de kL aExp
esta relacionada directamente
t
con la dinmica del flujo de alimentacin al biorreactor. Finalmente la evolucin
de kL aExp
tambin se consider como la dinmica de referencia para validar el
t
estimador para el coeficiente volumtrico de transferencia de masa.
350
Reactor: lote
CDA-1
300
y2 [h-1]
250
200
150
100
50
0
0
10
15
20
25
Tiempo [h]
5.7.11.
Se utiliz el modelo del NOD para estimar los estados del proceso de fermentacin. La evolucin de biomasa, substrato, oxgeno, y el volumen observados se muestran en las Figuras: 5-49, 5-50, 5-51 y 5- 52 respectivamente.
106
CAPTULO 5.
16
Reactor: lote
RESULTADOS Y DISCUSIN
CDA-1
14
12
X(t) Experimental
x(t)-Neuro-observador
x1, x2 [gL-1]
10
0
0
10
15
20
25
Tiempo [h]
16
Reactor: lote
CDA-1
14
S(t)- Experimental
12
Substrato [g*L-1]
S(t)- Neuro-observador
10
0
0
10
15
20
Tiempo [h]
25
16
Reactor: lote
15
CDA-1
14
V(t)- Experimental
13
V(t)- Neuro-observador
Volumen [L]
12
11
10
9
8
7
6
5
10
15
20
25
Tiempo [h]
x 10
-3
Reactor: lote
4.5
CDA-1
C(t)- Setpoint
C(t)- Neuro-observador
Oxgeno [g*L-1]
3.5
3
2.5
2
1.5
1
0.5
0
10
15
20
25
Tiempo [h]
108
CAPTULO 5.
500
Reactor: lote
RESULTADOS Y DISCUSIN
CDA-1
400
300
200
100
-100
0
10
15
20
25
Tiempo [h]
Reactor: lote
CDA-1
10
-2
-4
0
10
15
20
25
Tiempo [h]
5.7.12.
0.5
Reactor: lote
0.45
0.4
y1, y2 [h-1]
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0
10
15
20
25
Tiempo [h]
5.7.13.
obs
Se estim el coeficiente volumtrico de transferencia de masa, kd
L at , se
utiliz la velocidad especfica observada,
bObs
, y la biomasa observada, XtObs el
t
obs
mejor desempeo del estimador de kd
se muestra en la Figura 5-56 donde
La
t
obs
Reactor:lote alimentado
Reactor: lote
CD-1
300
y3 Coeficiente volumtrico de transferencia de oxgeno estimado
y4 Coeficiente volumtrico de transferencia doxgeno experimental
y3, y4 [h-1]
250
200
150
100
50
10
15
20
25
Tiempo [h]
obs
Figura 5-56: CDA-1. Evolucin de kd
para C1 = 10 103 Lh1 g 1 y C2 = 25 108 . L2 h2 g 2
L at
110
5.8.
CAPTULO 5.
RESULTADOS Y DISCUSIN
5.8.1.
Estados experimentales
16
Reactor: lote
CDA-2
14
12
F(t) [L*h-1]
10
6
X- Exp
S- Exp
V- Exp
2
11
15
Tiempo [h]
20
25
30
5.8.2.
0.7
Reactor: lote
CDA-2
0.6
F(t)
0.5
F(t) [L*h-1]
0.4
0.3
0.2
0.1
-0.1
11
15
Tiempo [h]
20
25
30
5.8.3.
Utilizando los datos experimentales de biomasa se calcul la velocidad especfica de crecimiento, Exp , el resultado obtenido se muestra en la Figura
5-59, claramente se puede ver que durante todo el cultivo en reactor lote slo
se dispuso de dos muestreos en t = 0 h y t = 11 h lo anterior no permiti
poder conocer la evolucin completa de Exp . Para el reactor lote alimentado se
dispone de ms datos, sin embargo, la evolucin de Exp tampoco es completa
debido la cantidad de datos experimentales.
0.5
Reactor: lote
0.45
CDA-2
0.4
Velocidad especfica de crecimiento experimental
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0
11
15
Tiempo [h]
20
25
30
112
5.8.4.
CAPTULO 5.
RESULTADOS Y DISCUSIN
0.5
Velocidad especfica de crecimiento experimental [h-1]
Reactor: lote
0.45
CDA-2
a)
0.4
0.25
0.2
0.35
0.15
0.3
0.25
0.1
0.05
0
0
0.2
11
15
20
25
30
0.15
0.1
0.05
0
0
11
15
Tiempo [h]
20
25
30
5.8.5.
btExp
Observacin del error XtExp X
16
Reactor: lote
12
14
CDA-2
a)
10
12
8
6
x1, x2 [g*L-1]
10
4
2
8
0
0
11
15
20
25
30
4
x1 Biomasa estimada
2
x2 Biomasa experimental
0
0
10
15
Tiempo [h]
20
25
30
Reactor: lote
CDA-2
1.5
a)
0.1
0.5
0
0
0.05
0
0
10
10
15
20
15
Tiempo [h]
25
30
20
25
30
Figura 5-62: CDA-2. Norma del error de XtExp con C1 = 5,6 Lh1 g 1 y C2 = 7,84. L2 h2 g 2
5.8.6.
114
CAPTULO 5.
400
RESULTADOS Y DISCUSIN
Reactor: lote
CDA-2
350
y2 Coeficiente volumtrico de transferencia de oxgeno
300
y2 [h-1]
250
200
150
100
50
0
0
11
15
Tiempo [h]
20
25
30
5.8.7.
T
x
bt=0 = 0,4482 10,3 0,0007 6
La evolucin de los estados experimentales y los estados identificados por
RND se muestran en la Figura 5-64. Este procedimiento se desarroll para
generar los valores finales de matrices de los pesos y permiti la correcta seleccin
de los parmetros de la RND. Todo el procedimiento desarrollado se conoce
como el proceso de entrenamiento de la RND.
16
Reactor: lote
14
CDA-2
X(t)- Exp
S(t)- Exp
12
V(t)- Exp
C(t)- Exp
10
X(t)- Red
S(t)- Red
V(t)- Red
C(t)- Red
0
0
11
15
Tiempo [h]
20
25
30
5.8.8.
400
Reactor: lote
CDA-2
350
300
250
200
150
100
50
0
-50
0
11
15
Tiempo [h]
20
25
30
116
CAPTULO 5.
Reactor: lote
RESULTADOS Y DISCUSIN
CDA-2
1
0
11
15
Tiempo [h]
20
25
30
W1,t=27
5.8.9.
=
13,36 12,06
2,219
113,9
26,35 30,46 0,7195 318,8
W2,t=27
4,56
5,362
=
1,414
2,529
Reactor: lote
CDA-2
14
X(t)- Experimental
Biomasa [g*L-1]
12
X(t)- Neuro-observador
10
0
0
11
15
Tiempo [h]
20
25
30
16
Reactor: lote
CDA-2
14
12
Substrato [g*l-1]
10
S(t)- Experimental
8
S(t)- Neuro-observador
0
0
11
15
Tiempo [h]
20
25
30
16
Reactor: lote
15
CDA-2
V(t)- Experimental
14
V(t)- Neuro-observador
13
Volumen [L]
12
11
10
9
8
7
6
5
11
15
Tiempo [h]
20
25
30
118
CAPTULO 5.
x 10
RESULTADOS Y DISCUSIN
-3
Reactor: lote
4.5
CDA-2
4
C(t)-Setpoint
Oxgeno [g*l-1]
3.5
C(t)- Neuro-observador
3
2.5
2
1.5
1
0.5
0
0
10
15
Tiempo [h]
20
25
30
5.8.10.
La evolucin de los pesos W1,t y W2,t se muestran en las Figuras 571 y 5-72.
450
Reactor: lote
400
CDA-2
350
300
250
200
150
100
50
0
-50
0
11
15
Tiempo [h]
20
25
30
10
Reactor: lote
CDA-2
8
-2
-4
0
10
15
Tiempo [h]
20
25
30
W1,t=0 = W2,t=0
5.8.11.
1,3
3,5
=
2,8
2,8
3,4
4,5
3,7
3,7
4,5
2,8
1,5
1,5
4,5
5,6
5,6
5,6
120
CAPTULO 5.
RESULTADOS Y DISCUSIN
a)
b)
0.4
0.4
Reactor: lote
Reactor: lote
0.3
y1, y2 [h-1]
y1, y2 [h-1]
0.3
0.2
0.1
11
15
20
Tiempo [h]
25
30
y2
c)
11
15
20
Tiempo [h]
25
30
d)
0.4
Reactor: lote
Reactor: lote
0.3
y1, y2 [h-1]
0.3
y1, y2 [h-1]
y1
0.4
0.2
0.1
0.2
0.1
0
-0.1
0.2
0.1
11
15
20
Tiempo [h]
25
30
11
15
20
Tiempo [h]
25
30
5.8.12.
b)
1
1
0.8
0.6
0.4
0.2
0
10
15
20
Tiempo [h]
25
0.8
0.6
0.4
0.2
0
30
Reactor: lote
10
15
20
Tiempo [h]
0.8
0.6
0.4
0.2
0
10
30
d)
Norma del error X(t) [g*L-1]
c)
1
Reactor: lote
25
15
20
Tiempo [h]
25
1
Reactor: lote
0.8
0.6
0.4
0.2
0
30
11
15
20
Tiempo [h]
25
30
5.8.13.
obs
Finalmente se estimo kd
los resultados obtenidos se muestran en las
L at
figuras a), b), c) y d) de la Figura 5-75.
a)
1000
Reactor: lote
b)
400
Reactor: lote
y3, y4 [h-1]
y3, y4 [h-1]
800
600
400
200
300
200
100
0
0
0
11
15
20
Tiempo [h]
25
30
c)
Reactor: lote
300
200
100
0
11
15
20
Tiempo [h]
25
30
d)
400
y3, y4[h-1]
y3, y4 [h-1]
400
y3
y4
Reactor: lote
300
200
100
0
11
15
20
Tiempo [h]
obs
25
30
11
15
20
Tiempo [h]
25
30
122
5.9.
CAPTULO 5.
RESULTADOS Y DISCUSIN
Los datos experimentales de la fermentacin CDA-IBT, fueron utilizados para validar el desempeo del software sensor diseado para estimar el
parmetro kL at . La seal de referencia utilizada fue la evolucin de kL aExp
,
t
dicha evolucin se obtuvo en lnea utilizando un medidor paramagntico de
oxgeno . Para esta fermentacin durante todo el cultivo fueron accesibles en
lnea kL aExp
y Ct .
t
5.9.1.
Estados experimentales
Substrato
25
Reactor: lote
Reactor: lote
20
S(t)-Exp [g*L-1]
4
3
X(t)- Exp
2
1
0
15
S(t)- Exp
10
5
x 10
20
-3
40
Tiempo [h]
60
80
20
Oxgeno
80
60
80
Volumen
Reactor: lote
3.5
60
4
Reactor: lote
C(t)-Exp
40
Tiempo [h]
V(t)-Exp
3
2.5
20
40
Tiempo [h]
60
80
20
40
Tiempo [h]
5.9.2.
C1 Lh1 g 1
0,7
1,4
2,1
2,8
3,5
4,2
C2 L2 h2 g 2
0,1225
0,49
1,1025
1,96
3,0625
4,41
Diseo
G
H
I
J
K
L
C1 Lh1 g 1
4,9
5,6
6,3
7
7,7
8,4
C2 L2 h2 g 2
6,0025
7,84
9,9225
12,25
14,8225
17,64
0.35
Reactor: lote
y1 Velocidad especfica de crecimiento estimada
0.3
y1- A)
a)
y1 [h-1]
0.25
0.2
0.3
y1- B)
0.25
y1- C)
0.2
y1- D)
0.15
y1- E)
0.1
y1- F)
0.05
0.15
y1- G)
0
0
20
40
60
y1- H)
80
y1- I)
0.1
y1- J)
y1- K)
0.05
y1- L)
10
20
30
40
Tiempo [h]
50
60
70
80
bExp
.
t
124
CAPTULO 5.
0.35
RESULTADOS Y DISCUSIN
Reactor lote
CDA-IBT
Velocidad especfica de crecimiento [h-1]
0.3
0.25
0.2
0.15
0.1
0.05
0
0
10
20
30
40
Tiempo [h]
50
60
70
80
5.9.3.
Las condiciones iniciales de la RND descrita por (4.14) fueron las siguientes:
T
x
bt=0 = 0,05 20,07 0,0008 3
22
Reactor: lote
Estados experimentales identificados por la red
20
CDA-IBT
18
16
14
X(t)- Exp
12
S(t)- Exp
10
V(t)- Exp
X(t)- Red
S(t)- Red
6
V(t)- Red
4
2
0
0
10
20
30
40
Tiempo [h]
50
60
70
80
Figura 5-79: CDA-IBT.Estados experimentales ( XtExp , StExp , VtExp ) identificados con la RND
-3
Reactor: lote
8
7
6
C(t)- Exp
C(t)- Red
4
3
2
1
0
-1
10
20
30
40
Tiempo [h]
50
60
70
80
5.9.4.
Reactor: lote
500
400
300
200
100
-100
10
20
30
40
Tiempo [h]
50
60
70
80
126
CAPTULO 5.
RESULTADOS Y DISCUSIN
Reactor: lote
10
20
30
40
Tiempo [h]
50
60
70
80
W1,t
=
6,686 70,73
2,377
32,13
7,982 108,2 0,6687 63,62
W2,t
5.9.5.
4,543
5,344
=
1,401
2,505
5,556
2,468
4,401
3,596
3,397 2,332
5,395 4,663
4,498 1,524
4,595 2,8556
Reactor: lote
5
CDA-IBT
Biomasa [g*L-1]
3
X(t)- Experimental
X(t)- Neuro-observador
0
0
10
20
30
40
Tiempo [h]
50
60
70
80
5.9.6.
Substrato
Reactor: lote
CDA-IBT
20
Substrato [g*L-1]
15
S(t)- Experimental
S(t)- Neuro- observador
10
0
0
10
20
30
40
Tiempo [h]
50
60
70
80
5.9.7.
Oxgeno
128
CAPTULO 5.
x 10
RESULTADOS Y DISCUSIN
-3
Reactor: lote
8
CDA-IBT
Oxgeno [g*L-1]
6
5
4
C(t)- Experimental
C(t)- Neuro- observador
3
2
1
0
-1
10
20
30
40
Tiempo [h]
50
60
70
80
Volumen
5
Reactor: lote
CDA-IBT
4.5
data1
Volumen [L]
3.5
3
2.5
2
1.5
1
0.5
10
20
30
40
Tiempo [h]
50
60
70
80
5.9.8.
Reactor: lote
500
CDA-IBT
400
300
200
100
-100
10
20
30
40
Tiempo [h]
50
60
70
80
10
CDA-IBT
-5
10
20
30
40
Tiempo [h]
50
60
70
80
5.9.9.
En el proceso de estimacin de
bObs
se realiz diseando los parmetros C1
t
y C2 en la estructura del algoritmo de estimacin descrito por (4.123-124). Los
resultados obtenidos se muestran en la Figura 5-89.
Los resultados que fueron obtenidos en el proceso de estimacin para
bObs
t
mostrados en la Figura 5.87 corresponden al diseo de los parmetros C1 y C2
que se muestra en la Tabla 5.6, donde el mejor desempeo fue para el Diseo
D, este hecho fue confirmado al calcular la norma del error de
bObs
con respecto
t
Exp
a la seal de referencia
bt .
bObs
en CDA-IBT
Tabla 5.6. Diseo de C1 y C2 , estimacin de
t
130
CAPTULO 5.
Diseo
A
B
C
D
C1 Lh1 g 1
1,4
4,2
6,3
9,8
Figura
a)
b)
c)
d)
C2 L2 h2 g 2
0,49
4,41
9,92
24,41
CDA-IBT
a)
0.4
RESULTADOS Y DISCUSIN
Reactor: lote
b)
Reactor: lote
0.3
0.3
y1, y2
y1, y2
0.2
0.2
0.1
0.1
0
0
-0.1
20
40
Tiempo [h]
60
-0.1
80
20
y1
y2
c)
60
80
60
80
d)
0.8
Reactor: lote
40
Tiempo [h]
Reactor: lote
0.5
0.6
0.3
y1, y2
y1, y2
0.4
0.2
0.2
0.1
0
-0.1
0.4
0
0
20
40
Tiempo [h]
60
80
20
40
Tiempo [h]
5.9.10.
bObs
t
t
bObs
, se muesatran en la Figura 5-90, y corresponde a los
t
t
mismo diseos de los parmetros C1 y C2 de la Tabla 5.6. El menor error se
muestra en la figura d) que corresponde al Diseo D.
0.08
0.06
0.04
0.02
0
b)
0.08
Reactor: lote
a)
0.1
20
40
Tiempo [h]
60
Reactor: lote
0.06
0.04
0.02
80
20
Reactor: lote
0.2
0.15
0.1
0.05
0
20
40
Tiempo [h]
60
80
60
80
d)
Norma del error de y2-y1 [h-1]
c)
0.25
40
Tiempo [h]
60
0.8
Reactor: lote
0.6
0.4
0.2
80
20
40
Tiempo [h]
btObs
Observacin del error de XtObs X
5.9.11.
a)
5
b)
5
Reactor: lote
Reactor: lote
4
Biomasa [g*L-1]
Biomasa [g*L-1]
4
3
2
1
2
1
-1
-1
20
40
Tiempo [h]
60
80
20
c)
5
40
Tiempo [h]
60
80
60
80
d)
Reactor: lote
Reactor: lote
4
Biomasa [g*L-1]
4
Biomasa [g*L-1]
3
2
1
3
2
1
-1
-1
20
40
Tiempo [h]
60
80
20
40
Tiempo [h]
132
CAPTULO 5.
5.9.12.
RESULTADOS Y DISCUSIN
btObs
Norma del error de X
btObs obtenida
Para el proceso de estimacin de
bObs
, la norma del error de X
t
se muestra en la Figura 5-92, se observa que en cada una de las figuras a), b),
c) y d) esta presente en t = 0 el valor de la norma del error es aproximadamente
de 0.5 gL1 , es decir, el valor de que tanto esta alejado el proceso de estimacin
con respecto a la referencia. Para entender lo anterior se realiz un acercamiento
en el siguiente intervalo 10 h t 0 h los resultados se muestran en la Figura
5-93 donde se puede apreciar el sobre paso que hay en t = 0 h, el cual esta
directamentemente relacionado con el diseo de los parmetros C1 y C2 , la
velocidad de convergencia del estimador para
bObs
, sin embargo, los resultados
t
obtenidos son bastante aceptables.
a)
b)
CDA-IBT
Reactor lote
0.5
Reactor lote
0.4
0.3
0.2
0.1
0
0.5
0.4
0.3
0.2
0.1
0
20
40
60
80
20
40
60
80
60
80
Tiempo [h]
c)
d)
Reactor lote
Reactor lote
0.5
Tiempo [h]
0.4
0.3
0.2
0.1
0
0.5
0.4
0.3
0.2
0.1
0
20
40
Tiempo [h]
60
80
20
40
Tiempo [h]
btObs
Figura 5-92: CDA-IBT. Norma del error de X
a)
1
b)
1
Reactor: lote
Biomasa [g*L-1]
Biomasa [g*L-1]
Reactor: lote
0.5
-0.5
4
6
Tiempo [h]
4
6
Tiempo [h]
X(t)- Estimada
1
Reactor: lote
Biomasa [g*L-1]
Biomasa [g*L-1]
-0.5
10
0.5
-0.5
c)
1
0.5
10
4
6
Tiempo [h]
10
10
d)
Reactor: lote
0.5
-0.5
4
6
Tiempo [h]
btObs acercamiento en 10 h t 0 h
Figura 5-93: CDA-IBT.Evolucin X
5.9.13.
134
CAPTULO 5.
CDA-IBT
a)
40
y3, y4
y3, y4
10
20
10
20
40
Tiempo [h]
60
80
20
y3
y4
c)
40
Reactor: lote
40
Tiempo [h]
60
80
60
80
d)
Reactor: lote
40
30
30
y3, y4
y3, y4
Reactor: lote
30
20
20
10
b)
40
Reactor: lote
30
RESULTADOS Y DISCUSIN
20
10
20
40
Tiempo [h]
60
80
20
40
Tiempo [h]
obs
a)
0.01
10
x 10
-3
b)
Reactor: lote
Reactor: lote
8
0.005
y3, y4
6
0
4
y3, y4
-0.005
-0.01
-0.015
0
0
20
80
x 10
20
y3
y4
10
Reactor: lote
6
y3, y4
y3, y4
60
c)
-3
10
40
Tiempo [h]
-2
4
2
x 10
-3
40
Tiempo [h]
60
80
60
80
d)
Reactor: lote
4
2
-2
0
-2
20
40
60
80
20
40
Tiempo [h]
btObs
Figura 5-95: Tiempo
CDA-IBT.
Observacin del error CtExp C
[h]
Para una situacin prctica slo se podr disponer de una referencia promedio para la evolucin del parmetro kL at de acuerdo a una serie de corridas
5.9.14.
%EX Exp
t
= 100
N h
X
k=1
btExp XtExp
X
= 7,838 108
g2
L2
i2
(5.6)
Substrato:
%ES Exp
t
= 100
N h
X
k=1
%ES Exp
= 0,001691
%EC Exp
SbtExp StExp
g2
L2
i2
(5.7)
Oxgeno:
N h
i2
X
btExp CtExp 100
C
k=1
%EC Exp
t
= 4,5954 107
g2
L2
(5.8)
136
CAPTULO 5.
RESULTADOS Y DISCUSIN
Volumen:
EV Exp
t
EV Exp
t
= 100
N h
X
k=1
VbtExp VtExp
= 1,186 107 L2
i2
(5.9)
5.9.15.
= 100
N h
X
k=1
%EX Obs
= 0,02203
%ESObs
= 100
g2
L2
btObs XtExp
X
i2
(5.10)
Substrato:
%ESObs
= 2,568
%EC Obs
= 100
N h
i2
X
SbtObs StExp
(5.11)
k=1
2
g
L2
Oxgeno:
N h
X
k=1
btObs CtExp
C
%EC Obs
= 9,818 106
%EV Obs
= 100
g2
L2
i2
(5.12)
Volumen:
%EV Obs
t
N h
i2
X
VbtObs VtExp
(5.13)
k=1
2
= 0,4589 L
= 100
N h
X
k=1
= 0,0001263
Exp
bObs
t
t
1
h2
i2
(5.14)
con Exp
y
bObs
el valor de la velocidad especifica de crecimiento experimental
t
t
medida y estimada. Para
bObs
esta dinmica fue estimada asumiendo que Obs
se
t
t
temia en lnea, la que se obtuvo utilizando la dinmica de la biomasa observada,
XtObs .
Estimador para el coeficiente volumtrico de transferencia de masa,
kL a
La variacin para el coeficiente volumtrico de transferencia de masa estimaobs
do, kd
y el coeficiente volumtrico de transferencia de masa experimental,
La
t
kL aExp
, es
t
%Ek
obs
L at
%Ek
obs
L at
= 100
2
N
X
obs
kL aExp
kd
L at
t
(5.15)
k=1
= 0,1571
1
h2
obs
con kL aExp
y kd
el valor del coeficiente volumtrico de transferencia
L at
t
de masa medido y su estimado. La desviacin en el proceso de estimacin del
obs
parmetro estimado, kd
L at , para cada diseo en la Tabla 5.7 aplicando la
definicin (5.15) los resultados se resume en la Tabla 5.8.
obs
138
5.9.16.
CAPTULO 5.
RESULTADOS Y DISCUSIN
x 10
-5
Magnitud de la seal
-2
-4
-6
-8
-10
10
20
30
40
Tiempo [h]
50
60
70
80
La seal del ruido mostrada en la Figura 5-96 interfiere con la seal que
entrega el sensor para oxigeno disuelto, ambas seales la seal del estado Ct
cuando se considera que no hay perturbaciones y la seal afectada por la perturbacin, Cm,t , se muestra en la Figura 5-97.
10
x 10
-3
8
C(t) + perturbacin
C(t)- Experimental
Oxgeno [g*L-1]
-2
10
20
30
40
Tiempo [h]
50
60
70
80
btObs
Figura 5-97 Onservacin de la desviacin entre Cm,t y C
Cuando se utiliz la seal Cm,t para estimar el parmetro kL a en el algoritmo de estimacin propuesto descrito por (4.141-143) se obtuvo el siguiente
resultado.
40
35
30
y3 - perturbacin
25
y3, y4
y4
20
15
10
10
20
30
40
Tiempo [h]
50
60
70
80
obs
Figura 5-98 Evolucin de kd
y kL aExp
en presencia de perturbaciones
L at
t
obs
En la Figura 5-98 se muestra la evolucin simultanea de kd
y kL aExp
,
L at
t
para esta dinmica las desvicines entre los valores estimados y los valores experimentales fue de
1
%Ek aobs = 0,4248 2
L t
h
para el resultado anterior el diseo de los parmetros C1 y C1 fueron los mismos
que para el diseo B de la Tabla 5.8, sin embargo, el porciento de la desviacin
fue mayor en el caso de presencia de perturbaciones en la seal de medida para el
140
CAPTULO 5.
RESULTADOS Y DISCUSIN
Captulo 6
Conclusiones Generales
En este trabajo se dise un estimador para medir el coeficiente volumtrico de transferencia de masa , kL a, en un biorreactor tipo tanque agitado. La
estructura del algoritmo matemtico o software sensor del estimador se diseo
aplicando redes neuronales diferenciales (RND) y observadores no lineales.
Se determin la prueba de estabilidad del estimador, basada en la teora
de estabilidad de Lyapunov, para los sistemas no lineales diseados, este hecho
asegura la estabilidad del software sensor.
El algoritmo matemtico diseado para estimar el parmetro kL a requiri
del hecho de poder tener en lnea la concentracin de biomasa, Xt , y la velocidad
especfica de crecimiento, t . Lo anterior fue resuelto utilizando la RND y el
algoritmo de estimacin para t .
La accesibilidad a la dinmica completa del sistema (biorreactor) se logr
aplicando el observador de estados basado en RND, es decir, la dinmica completa del biorreator se construy nicamente con un slo estado disponible en
lnea en el biorreactor, donde el estado utiliazado fue la concentracin de oxgeno
disuelto en el medio de cultivo, Ct .
La bondad del software sensor desarrollado fue que nicamente conociendo
la dinmica de Ct en el medio de cultivo se pudo estimar el parmetro kL a.
Se propuso este trabajo con el propsito declarado de tratar de disear un
sensor virtual para estimar el parmetro kL a, por tanto los objetivos que fueron
propuestos al inicio de este trabajo, se cumplieron, mediante el desarrollo del
software sensor para estimar el parmetro kL a en el biorreactor, este hecho
quedo demostrado al validar el software sensor con datos experimentales para
diferentes cultivos aerobios de S. cerevisiae y A. vinelandii (cultivos en reactor
lote alimentado y lote respectivamente).
Para los cultivos de A. vinelandii el porcentaje de error fue de 1.4 % y par los
cultivos de S. cerevisiae de 7.1 % o que permite sugerir que el estimador diseado
puede ser implementado en un biorreactor utilizando una tarjeta de adquisicin
de datos a travs de la plataforma de MATLAB. Esto es la implementacin en
tiempo real del estimador en un biorreactor. Lo anterior requiere de utilizar una
computadora personal (PC) para desarrollar las tareas asociadas a la lectura de
141
142
Apndices
.1.
.1.1.
.1.2.
.1.3.
Solucin de minerales
144
APNDICES
.1.4.
La solucin de vitaminas
Biotina 1.5 mg
Pantotenato de calcio 20 mg
Inositol 125 mg
Piridoxina 25 mg
Agua destilada aforar a 500 mL
.1.5.
.2.
Desarrollando (3):
d e
Xt
dt
d e
Xt
dt
bt
et = t
d
d b
d e
Xt = Xt X
t
dt
dt
dt
d
d
d
e =
b
dt t dt t dt t
(2)
(3)
(4)
h
h
ii
bt
= t Xt Dt Xt
bt Xm,t Dt Xm,t + C1 Xm,t Xm,t + X
(5)
h
i
bt
= t Xt
bt Xm,t Dt Xt + Dt Xm,t C1 Xm,t Xm,t + X
(6)
145
(7)
Dt Xt + Dt Xm,t
h
i
bt
C1 Xm,t Xm,t + X
Desarrollando (7)
d e
Xt
dt
Ahora desarrollamos (8)
(8)
(9)
= t Xt
bt Xm,t
(10)
= t (Xm,t y,t )
bt Xm,t
=
et Xm,t t y,t
Dt Xt + Dt Xm,t
+Dt y,t
(11)
(12)
(13)
(14)
y para (9)
h
i
bt
C1 Xm,t Xm,t + X
C1 Xm,t
y,t
(15)
et
C1 Xm,t X
(16)
Con los resultados de (7), (8) y (9), Entonces (6) tiene la forma siguiente:
d e
et Xm,t t
Xt =
dt
y,t
+ Dt
y,t
C1 Xm,t
y,t
e
dt t
=
=
et
C1 Xm,t X
h
i
d
bt
t C2 Xm,t Xm,t + X
dt
d
et
C2 Xm,t y,t C2 Xm,t X
dt t
(17)
(18)
(19)
h
et
x(t) = X
et
iT
(21)
(22)
146
APNDICES
[x(t)]
C1 Xm,t Xm,t
h
i =A=
C2 Xm,t
0
et ,
X
et
C1 1
= Xm,t A = Xm,t
C2 0
[x(t)]
Dt t C1 Xm,t 0
J=
= B(t) =
C2 Xm,t
1
[ y,t , t ]
u(t) = dy,t
dt t
J
(23)
(24)
(25)
(26)
.3.
La demostracin matemtica de la dinmica del error (4.144) para el algoritmo del estimador para estimar el coeficiente volumtrico de transferencia
de oxgeno, kL at , se desarrolla a continuacin. Esta demostracin esta referida
cuando las mediciones de oxgeno, Ct , (mediciones en lnea, suposicin fundamental) presentan perturbaciones o ruido, es decir, y,t 6= 0.
Nota: La dinmica del error para el diseo del estimador de kL at se defino
d
en el captulo 4 (sistema (4.144)) como dt
x(t) = [C Ct ] Ax(t) + B(t)u(t). Las
perturbaciones en la medicin del oxgeno disuelto en el medio de cultivo estn
definidas como Cm,t = Ct + y,t (4.141)
Los errores se definen como:
ft = Ct C
b
C
ft :
Derivando el error C
d
kg
L at = kL at kL at
d
d b
df
Ct = Ct C
dt
dt
dt
Desarrollando cada trmino de (29)
df
Ct = kL at [C Ct ] OU Rt
dt
h
ii
h
b
a
[C
C
]
OU
R
+
C
[C
C
]
C
C
kd
L t
m,t
t
1
m,t
m,t
t
df
Ct
dt
= kL at [C Ct ] kd
L at [C Cm,t ]
h
i
bt
C1 [C Cm,t ] Cm,t C
(27)
(28)
(29)
(30)
(31)
(32)
(33)
147
= kL at [C Cm,t y,t ] kd
L at [C Cm,t ]
h
i
bt
C1 [C Cm,t ] Cm,t C
(34)
= kL at [C Cm,t ] + kL at y,t kd
L at [C Cm,t ]
h
i
bt
C1 [C Cm,t ] Cm,t C
(36)
= kg
L at [C Cm,t ] + kL at y,t
h
i
bt
C1 [C Cm,t ] Cm,t C
(38)
df
Ct
dt
(35)
(37)
(39)
= kg
L at [C Cm,t ] + kL at y,t
h
b+
C1 [C Cm,t ] Ct C
= kg
L at [C Cm,t ] + kL at
(40)
y,t
(41)
(42)
y,t
ft C1 [C Cm,t ]
C1 [C Cm,t ] C
y,t
(43)
Ahora derivamos kg
L at (28) y desarrollando los trminos de (44) de forma sef
mejante a Ct :
d
d
dg
(44)
kL at = kL at kd
L at
dt
dt
dt
h
h
ii
d
d g
bt
(45)
kL at = kL at C2 [C Cm,t ] Cm,t C
dt
dt
h
i
dg
d
b + y,t
(46)
kL at = kL at C2 [C Cm,t ] Ct C
dt
dt
d
d g
ft C2 [C Cm,t ] y,t
(47)
kL at = kL at C2 [C Cm,t ] C
dt
dt
d f
d g
Con las expresiones para dt
Ct y dt
kL at (42), (44) y (47) el sistema para la
dinmica del error es:
#
"
ft
d
C
=
dt kg
L at
"
#
f
kg
L at [C Cm,t ] + kL at y,t C1 [C Cm,t ] Ct C1 [C Cm,t ] y,t
(48)
d
f
dt kL at C2 [C Cm,t ] Ct C2 [C Cm,t ] y,t
148
APNDICES
C1 [C Cm,t ] [C Cm,t ]
A =
C2 [C Cm,t ]
0
C1
= [C Cm,t ] A = [C Cm,t ]
C2
k a C1 [C Cm,t ] 0
B(t) = L t
C2 [C Cm,t ]
1
u(t) = d y,t
dt kL at
(49)
(50)
1
0
(51)
(52)
(53)
Por tanto el sistema (49) es el mismo sistema en (44) con lo cual queda demostrado.
.4.
Apndice 4: Eigenvalores
(54)
2
1
1 2
(55)
(56)
Prueba: El valor de definido por (56) es claramente el nico valor tal que:
=
+
1 exp (1 ) = 2 exp (2 )
(57)
| 1 exp (1 s) 2 exp (2 s) | ds
(58)
| 1 exp (1 s) 2 exp (2 s) | ds
1 exp (1 s) 2 exp (2 s) | ds
(59)
(60)
.5.
149
x1 (t)
x(t) =
x2 (t)
C1 1
A=
C2 0
b1 (t)
B(t) =
b2 (t)
(61)
(62)
(63)
(64)
(65)
y que la matriz A tiene eigenvalores distintos y reales 1 < 2 < 0 (por ejemplo,
C 2
C2 = 4 1 ).
Entonces,
1
1
1
2
1
2
1
1
B2
2B1
+ B2
lm sup | x1 (t) |
(66)
t
1 2 2
2
1 2
lm sup | x2 (t) | B1
1 + 2
B2
1 2
(67)
Prueba
La solucin de x(t) en (61) puede escribirse como sigue:
x(t) = P J(t)P 1 x(0) +
P J (t ) P 1 b ( ) d
(68)
con :
P =
1
1
1
2
(69)
El eigenvector de la matriz de A
P 1 =
J(t) =
1
1
1 2 2
1
1
0
exp (1 t)
0
exp (2 t)
(70)
(71)
150
APNDICES
(72)
Con
Con
(73)
(74)
(76)
(77)
(75)
(78)
(79)
z9 = B1 | 1 exp (1 [t ]) 2 exp (2 [t ]) |
(81)
(82)
(83)
y utilizando el apndice 3:
(84)
z11 = [exp (2 t)] exp (1 t) + 2 [exp (1 )]
1
1
z12 = B2
(exp (1 t) 1)
(exp (2 t) 1)
(85)
1
2
Por lo tanto, tomando el lmite por la derecha de (80) para t , se puede
obtener la desigualdad (66).
De forma similar, usando (78) y (79)
| x(t)1 |<
Con
1
(z13 + z14 + z15 )
1 2
(86)
1
1
(exp (1 t) 1)
(exp (2 t) 1)
(87)
z13 = B1 1 2
1
2
1
2
z14 = B2
(exp (2 t) 1)
(exp (1 t) 1)
(88)
2
1
Por lo tanto tomando el lmite de (67) para t , obteniendo la desigualdad
.6.
151
Apndice 6: Corolario A
C12
, 0<<1
4
(89)
2B1
[1 + 2 ] + 3
2
C1
1
(90)
con
2
3
1 21
1 21
221
=
1+ 21
1+ 21
1 21
221
=
1+ 21
4
=
B2
C1
(91)
(92)
(93)
Prueba
.7.
C1
2
C1
2
1 21
1+ 21
(94)
(95)
(96)
Supngase que tenemos una matriz Q > 0. Para encontrar una matriz P apropiada, se utiliza
Z
T
QeA d
(97)
eA
P =
0
Notamos que
d A
e = AeA = eA A
dt
(98)
152
APNDICES
T
T
d At T
QeAt = eAt A QeAt + eAt Q eAt A
e
dt
(99)
T
T
QeA d +
QeA d A (100)
eA
eA
AT P + P A = AT
0
Z 0
Z
T
A
A
e A Qe d +
eA
Q eA A d (101)
=
0
Z0
T
T
A
A
A
=
Q eA A d
(102)
e A Qe + e
0
T
d
=
(103)
QeA d
eA
dt
0
Por el teorema fundamental de calculo, la integral de la derivada es justamente
es la funcin evaluada en los limites. De esta manera tenemos
T
T
A
A
A P + PA =
e
Qe
(104)
0
0 T
T
QeA() eA
QeA(0)
=
eA
(105)
0 T
QeA(0) = (I) Q(I) = Q
AT P + P A = eA
(106)
.8.
En este apndice se desarrolla la demostracin de la ley de aprendizaje utilizada en la estructura del identificado de estados basado en redes neuronales.
x
b = Ab
xt + W1,t (b
xt ) + W2,t (b
xt ) (u (b
xt ))
(107)
ahora se suponemos que existe una red identifica al sistema de forma exacta
expresada como
x
b = f (xt , ut ) + f
(108)
x = Axt + W1,t
(xt ) + W2,t
(xt ) (u (xt )) + f
t = x
bt xt
(109)
= Ab
xt + W1,t (b
xt ) + W2,t (b
xt ) (u (b
xt ))
(110)
= At + W1,t (b
xt ) + W2,t (b
xt ) (u (b
xt ))
Definimos
e : = (b
xt ) (xt )
e
: = (b
xt ) (xt )
(111)
(112)
t = At +W1,t (b
xt )W1,t
(xt )+W2,t (b
xt ) (u (b
xt ))W2,t
(xt ) (u (xt ))f
La siguiente demostracin se desarrolla para mostrar que la funcin de Lyapunov candidata definida en (4.36)
h
i
h
i
T
T
T
T
f1,t
f1,t
f2,t
f2,t
Vt = Tt P t + tr W
K 1 W
K 1 W
+ tr W
1
x = f (x, u)
(113)
x = Ab
x + W1,t (b
x) + W2,t (b
x) (ut )
(114)
154
APNDICES
ahora supones que existe una red que se ajusta al sistema con la siguiente forma
(115)
(116)
eT e
e = (b
x) (x)
T eT
e (b
(b
xt ) (ut )
xt ) Tt D t kk (u) k2 u
(ut )
e = (b
x) (x)
(117)
(118)
(119)
(120)
e = (b
x) (x)
W1 W1
W1
W2 W2
W2
La ecuacin de Riccati
P A + AT P + P RP + Q0 = 0
el error se define cmo sigue
y derivando el error
t = x
bx
t = x
bx
t = Ab
x + W1,t (b
x) + W2,t (b
x) (ut ) [Ax + W1 (x) + W2 (x) (ut ) + f ]
agrupando trminos
t = A (b
x x) + W1,t (b
x) + W2,t (b
x) (ut ) W1 (x) W2 (x) (ut ) f
e (ut ) + W
f1,t (xt ) + W2,t
f2,t (xt ) (ut ) f
t = At + W1,t
e+W
d
1
1
1
1
T
T
T
f1 K W
f2 K W
f1 K W
f1 + W
f1 +tr W
f2 K W
f2 + W
f2
Vt = t P t +t P t +tr W
1
1
2
2
dt
#
" T
#
" T
d
1 f
1 f
T
f
f
Vt = 2t P t + 2tr W 1 K1 W1 + 2tr W 2 K2 W2
dt
2Tt P t
h
i
e (ut ) + W
f1,t (xt ) + W2,t
f2,t (xt ) (ut ) f
= 2Tt P At + W1,t
e+W
f1,t (xt )
= 2Tt P At + 2Tt P W1,t
e + 2Tt P W
e (ut ) + 2T P W
f2,t (xt ) (ut ) 2T P f
+2T P W2,t
t
Tt P t =
2Tt P At
+2Tt P W1,t
e
T f
+2t P W1,t (xt )
e (ut )
+2Tt P W2,t
f2,t (xt ) (ut )
+2Tt P W
+2Tt P f
a)
b)
c)
d)
e)
f)
desarrollamos b)
2Tt P At
como
T
T
t P At = Tt P At
T
X T 1 X + Y T Y
XT + XT Y
=
e
= Tt P W1,t
entonces
2Tt P W1,t
Tt P W1,t 1 +
eT e
T
1
T
t P W1,t W1,t P t +
eT e
T
T
t P W1 P t + t Dt t
156
APNDICES
e (ut )
2Tt P W2,t
Tt P W2,t
e (ut )
T
e (ut )
e (ut )
Tt P W2,t + 1 Tt P W2,t +
e
(ut ) k2
Tt P W2 P t + k
Tt P W2 P t + t D t u
e (ut )
2Tt P W2,t
c)
f1,t (xt )
2Tt P W
h
i
f1,t (xt ) = 2tr P t (b
f1,t
2Tt P W
xt ) W
d)
e (ut )
2Tt P W2,t
h
i
e (ut ) = 2tr P t (ut )T (b
f2,t
2Tt P W2,t
xt )T W
Tt AT P t + Tt P At + Tt P At + Tt P W 1 P t
+D t + t P W 2 P t + Tt D t u
e
"
#
T
1
f1,t
f1,t K W
f1,t + P t (b
+2tr W
xt ) W
1
"
f2,t
f2,t K 1 W
f2,t + P t (ut )T (b
+2tr W
xt ) W
2
factorizando t y Tt
Tt AT P + P A + P W 1 + W 2 P + D + D + Q0 Tt Tt Q0 t
""
#
#
T
1
f1,t
f1,t K + P t (b
+2tr W
xt ) W
1
+2tr
""
#
#
T
T
1
f
f
xt ) W2,t
W2,t K2 + P t (ut ) (b
2tr
""
f1,t K 1
W
1
f1,t = 0
+ P t (b
xt ) W
f1,t K 1 + P t (b
xt ) = 0
W
1
+2tr
""
f1,t = K1 [P t (b
xt )]T
W
T
f2,t K 1
W
2
157
f2,t = 0
+ P t (ut ) (b
xt ) W
T
f2,t K 1 + P t (ut )T (b
xt ) = 0
W
2
h
iT
T
f2,t = K2 P t (ut )T (b
xt )
W
.9.
El concepto de estabilidad de acuerdo a Lyapunov ha tenido muchas aplicaciones en sistemas de control; de hecho toda la teora de sistemas dinmicos
esta basada en los mtodos de Lyapunov.
.9.1.
.9.2.
Una matriz nn, Q = QT , se dice que es definida positiva, para todo x <n ,
f (x) = xT Qx es una funcin definida positiva.
Una matriz definida positiva es una matriz especial y aparece de diferentes
formas en sistemas y teora de control. Se puede mostrar que una matriz definida
positiva tiene las siguientes propiedades:
158
APNDICES
q11 q12
Q=
(121)
q21 q22
esta matriz es definida positiva si y solo si (i) q11 > 0, (ii) q12 = q21 , (iii)
q
q22 = q21112 . La condicin (ii) asegura que la matriz es simtrica, condiciones (i)
y (iii) aseguran que la matriz Q es definida positiva.
.9.3.
Una funcin f (x) se dice que es positiva si (i) f (x) 0 para toda x, f (x) = 0
si y slo si x = 0.
.9.4.
Una funcin definida negativa, f (x), se dice que es definida negativa si (i)
f (x) 0 para toda x, (ii) f (x) = 0 si y slo si x = 0.
.9.5.
Funciones de Lyapunov
x = x = f (x)
dt
Se define un punto de equilibrio como x , con
f (x) = 0
x es estable en el sentido de Lyapunov si existe una cantidad positiva
para toda = ( ), se tiene que
| x (t=0 ) x |< =| x x |<
(122)
(123)
tal que
(124)
.9.6.
159
x = Ax + g(x),
(126)
A=
(127)
[f ] ,
x x
A es la matriz jacobiana de f (x), y g(x) contiene los trminos de mayor orden
de la serie de Taylor;
| g(x) |
=0
(128)
lm
|x|0 | x |
sistema lineal x = Ax, todos los eigenvalores de A tienen parte real negativa.
Una desventaja del mtodo es que si alguno de los eigenvalores de A son
cero y el resto tienen parte real negativa, entonces, no es posible sacar alguna
conclusin sobre el sistema no lineal, pero la mayor desventaja es que el mtodo
.9.7.
El segundo mtodo es el mtodo directo de Lyapunov ; este es una generalizacin del concepto Lagrange de estabilidad de energa potencial mnima.
solucin de x = f (x):
V [x] =
=
=
d
V x
x
dt
V f (x)
x
V f1 +
V f2 + +
V fn
x1
x2
xn
(129)
160
APNDICES
.9.8.
Sistemas autnomos
x = f (x)
(130)
x = Ax
(131)
Seleccinando la Funcin de Lyapunov de forma cuadrtica:
V [x] =
=
=
=
=
xT P x
(Ax)T P x + xT P Ax
xT AT P x + xT P Ax
xT (AT P + P A)x
xT Qx
(132)
161
Con
AT P + P A + Q = 0
(133)
(134)
162
APNDICES
Bibliografa
[1] B. McNeil and L. Harvey, Fermentation a Practical Approach.
Press, 1990.
IRL at
VCH
164
BIBLIOGRAFA
BIBLIOGRAFA
165
[23] N. F. B. S. D. D. D. B. L.Bodizs, M. Titica, Oxygen control for an industrial pilot-scale fed-batch filamentous fungal fermentation, Process Control,
vol. 17, pp. 595606, 2007.
[24] E. G. C. F. Garca-Ochoa, Estimation of oxygen mass transfer coecient
in stirred tank reactors using artificial neural networks, Enzyme and Microbial Technology, vol. 28, pp. 560569, 2001.
[25] S. G. Salas, Medicin de los parmetros del coefieciente volumetrico de
transferencia de oxgeno, Masters thesis, CINVESTAV-IPN, 2006.
[26] E. S. Poznyak, A.S. and W. Yu, Dynamic Neural Networks for Nonlinear
Control: Identification, States Estimation and Trajectory Tracking, N. Jersey, Ed. World Scientific, 2001.
[27] C. K. A. Delgado, Dynamic recurrent neural network for system identification and control, IEEE, Ed. IEEE, 1995.
[28] R.. C. b. y. a. J. Matich, Conceptos bsicos y aplicaciones, Facultad
Reginal Rosario Departamento de Ingeniera qumica, Grupo de investigacin a la Ingeniera Qumica, vol. 1, pp. 630, 2001.
[29] S. P. K., Foundations of neural networks en Neural Netwoks Theory, Tecnology and A. I. T. U. Series, Eds. IEEE, 1996.
[30] H. S., Neural networks a comprehensive foundations. Prentice-Hall, 1999.
[31] R. R., Neural Networks a systematic Introduction, EE.UU, Ed.
- Verlag, 1996.
Springer
[32] T. Scheter, Advances in biochemical engineerring biotechnology, Bionalysis and Biosensors for Bioprocess Monitoring, vol. 66, pp. 336.
[33] X. W. Fei Shang, Shaohong Wen and T. Tan, High-cell-density fermentation for ergosterol production by saccharomyces cerevisiae, The Society
for Biotechnology, vol. 101, pp. 3841, 2006.
[34] G. P. B. Ilse Y. Smets and J. F. V. Impe, Feedback stabilization of fedbatch bioreactors: Non-monotonic growth kinetics, Biotechnology Prog.,
vol. 18, pp. 11161125, 2008.
[35] R. S. A. L. Stefan Gnoth, Marco Jenszch, Control of cultivation processes
for recombinant protein production: a review, Springer-Verlag, 2007.
[36] A. V. W. F. Renard, Robust adaptive control of yeast fed-batch cultures,
Computers & Chemical Engineering, pp. 111, 2007.
[37] G. L. Andreas Rudolf and G. Lidn, Controlled pilot development unitscale fed-batch cultivation of yeast on spruce hydrolysates, Biotechnology
Prog, vol. 23, pp. 351358, 2007.
166
BIBLIOGRAFA
BIBLIOGRAFA
167