Anda di halaman 1dari 48

(actualizado

2018)

Modelación Matemática y
Simulación de Procesos Biológicos

Dr. Roberto A. González-Castellanos


Profesor
Modulo III: Análisis Numérico y Simulación
Unidad II: Modelación Matemática y
Simulación
Profesor: Dr. Roberto A. González
Fecha: 22/11/2013
Actividad: Conferencia y Clase Practica
Tiempo: 12 horas

Tema III: Simulación de Reactores


Biológicos

Índice de contenidos

Presentación……………………………………………………..............................................1
Contenido…………….........................................................................................................2
Objetivos generales………………………………………………...........................................2
Introducción…………... ………………………………..........................................................3
Orientaciones metodológicas para el aprendizaje……………............................................3
Desarrollo………………………………………………………................................................4
Bibliografía consultada………………………………………………………………………….47

1
Contenido

Simulación de los Reactores Biológicos ........................................................................................................................ 3

1. Introducción General ................................................................................................................................................ 3


2. Desarrollo analítico de los modelos matemáticos de los Reactores Biológicos. ...................................................... 4
3. Desarrollo gráfico del modelo generalizado del modo de operación de los Reactores Biológicos .......................... 8
4. Empleo del Simulador Numérico Berkeley Madonna............................................................................................. 12
4.1 Introducción ................................................................................................................................. 12

4.2 Reglas para la escritura de las ecuaciones de los modelos en Berkeley Madonna..................... 12

4.3 Desarrollo de Modelos Matemáticos con Berkeley Madonna ..................................................... 21

5. Simulación de Reactores Biológicos usando Berkeley Madonna ........................................................................... 31


5.1 Cinética de la Acción Enzimática en Cultivo discontinuo (MMKINET) ......................................... 31

5.2 Simulación del Cultivo discontinuo alimentado (FEDBAT) ........................................................... 35

5.3 Dinámica de Población Presa-Depredador en un Quimiostato (MIXPOP) ................................... 37

6. Estudios de Casos de Simulación de Procesos Biotecnológicos ............................................................................. 42


6.1 Introducción ..................................................................................................................................... 42

6.2 Formación de Galacto - Oligosacáridos en Reactores Continuos de Membrana con Reciclo .......... 42

Objetivos Generales
Dar a conocer las capacidades de los simuladores numéricos STELLA y Berkeley Madonna
para realizar la Modelación Matemática y Simulación de los Reactores Biológicos y ejercitar a los
maestrantes en el uso práctico combinado de ambos simuladores para simular distintos modos
de operación de los Reactores Biológicos. Presentar Estudios de Casos con ejemplos prácticos
de aplicación de software estudiados en estudios experimentales y de simulación.

Introducción
2
Hoy en día la simulación por computadoras basada en modelos matemáticos resulta parte
integral de la investigación y del sistema de educación universitaria por su bajo costo y el ahorro
de tiempo que producen. Esa situación es de mayor importancia en el caso de la enseñanza de
la biotecnología, donde las prácticas de laboratorio convencionales se han vuelto más y más
caras. Por ejemplo, una simple corrida de fermentación discontinua a escala piloto requiere
decenas de horas de tiempo experimental y varios cientos de dólares en materiales y energía.
Sin embargo un programa adecuado de simulación puede llevar a cabo decenas de corridas
“experimentales” de ese tipo en solo segundos, con un costo prácticamente despreciable.

Por supuesto la experimentación manual real no puede ser sustituida en el aprendizaje por la
simulación por computadora. Pero la experimentación manual real unida al uso de la simulación
basada en modelos, son capaces de profundizar eficientemente nuestro conocimiento. Por lo
tanto los experimentos simulados en computadora son un magnífico complemento para las
corridas reales en reactores biológicos y otros equipos biotecnológicos y constituyen una muy
buena vía para estudiar la influencia, por ejemplo, de diferentes estrategias de alimentación a los
biorreactores, así como diferentes algoritmos de control y sus parámetros. De ahí la importancia
de estudiar la Modelación y Simulación Matemática de los Procesos Biotecnológicos.

Orientaciones metodológicas para el aprendizaje

Día a día se anuncia el descubrimiento de nuevas herramientas biotecnológicas, de nuevos


bioprocesos y de nuevas aplicaciones y de igual forma se desarrollan nuevos modelos
matemáticos y estrategias de aplicación de los mismos. El material presentado en esta guía, es
solo un breve resumen de la enorme cantidad de información que se encuentra disponible en la
literatura científica, tanto en libros como, sobre todo, en artículos de revistas científicas. Por lo
tanto es muy importante que se continúe profundizando en estos temas, mediante la revisión de
la literatura disponible, buscando nuevos conocimientos y aplicaciones que contribuyen a la
solución de las necesidades de nuestra sociedad, los que le permitirá ser cada vez mejores
profesionales.

Desarrollo

Simulación de los Reactores Biológicos


1. Introducción General
Como se ha comprobado en los Temas anteriores, construir el modelo matemático es la parte
más difícil del proceso combinado de modelación y simulación. Como ejemplo se analizará el
proceso complejo que se debe desarrollar para obtener el modelo matemático de un reactor
biológico. En el caso de los reactores biológicos, hay dos vías generales para obtener el modelo
matemático que describa su dinámica: el enfoque empírico y el enfoque fundamental. Para el
enfoque empírico se parte de cambiar deliberadamente el valor de variables controlables y
mediante instrumentos adecuados medir las variaciones en el tiempo del consumo de materias
primas y la formación de productos, de manera de generar las curvas integrales que describen
3
el rendimiento del reactor y a partir de dichas curvas se determinan los coeficientes de las
ecuaciones diferenciales de los balances de materiales y energía. Ese tipo de enfoque considera
el proceso como una caja negra y por tanto puede ofrecer poca luz sobre lo que realmente ocurre
en el proceso y no puede ser aplicado fuera del rango en que se obtuvieron los datos, cuando se
ajustó el modelo [1].
El otro enfoque se basa en los principios físicos y químicos fundamentales. En este tipo de
modelos se desarrollan los balances de masa y energía a partir de la estequiometría y estas
ecuaciones, junto con otras relaciones que expresan los calores de reacción, el equilibrio
termodinámico y las tasas de las velocidades de reacción y los fenómenos de transporte,
constituyen el modelo matemático del reactor biológico. De esa forma el modelo obtenido tiene
capacidades predictivas del comportamiento del reactor biológico, necesarias tanto para el
diseño como para la optimización.

2. Desarrollo analítico de los modelos matemáticos de los Reactores Biológicos.


Para el balance de masas se aplica la ecuación general (Figura 1):
dCi  d ( Ci ) d 2 Ci (Ecuación 1)
.   2
D  ri  kmax * a ( Ci  Ci ' ) (3.78)
dt dx dx
Eso significa que el cambio en el tiempo de la concentración
del componente i (Ci) depende de las variaciones del flujo total y la
dispersión hacia y desde el elemento, el consumo o generación del
componente i a través de la reacción y el transporte interface hacia y
desde las células. En casi todos los casos, la ecuación 1 se simplifica
considerablemente cuando se aplica a un reactor biológico dado y
ocurre que algunos términos son más importantes que otros. Por
ejemplo si la reacción es lenta y Ci cambia poco con el tiempo, los
esfuerzos para incrementar la producción deben centrarse en aumentar
ri, quizás mediante el tipo o concentración de los microorganismos o
enzimas.

Figura 1 Balance dinámico de masa y energía para un


elemento de volumen líquido en un fermentador El balance de la energía es otra ecuación fundamental:
2
dU d (uhV ) dT (Ecuación 2)
 Q W   kt  2
dt dx dx
Esta ecuación no es más que la expresión de la Primera Ley de la Termodinámica. La
variación de la energía interna de la unidad de volumen depende de la entrada de calor del
exterior, el trabajo realizado sobre el sistema, el calor de la reacción, y el calor conducido hacia
adentro o hacia afuera del sistema.
El otro elemento fundamental se relaciona con la cinética de la fermentación, la que puede ser
considerada como una reacción catalítica, ya que las células y enzimas promueven la reacción
pero no son consumidas por ellas. La tasa a la cual los biocatalizadores convierten un substrato
en un producto se representa por el término ri en la Ecuación 1. La forma de la ecuación para la
velocidad de reacción que se emplee en cada caso resulta un aspecto decisivo que hay que
definir para poder completar el modelo matemático de un reactor biológico dado y para ello
4
pueden utilizarse varias vías, en dependencia del nivel de detalle con que se quiera (o se pueda)
representar este complejo fenómeno [1].
El crecimiento o aumento del número de células en el fermentador, junto con el consumo de
substrato y materiales del medio, puede formularse en un modelo matemático. La teoría permite
describir matemáticamente el crecimiento microbiano como un fenómeno probabilístico y
estructurado. Sin embargo los modelos que tienen en cuenta estos elementos probabilísticos y
estructurales, o sea los modelos estructurales, resultan ser muy complejos, ya que hay que
añadirles muchos detalles. En esos modelos las células deben ser compartimentadas en las
distintas funciones bioquímicas y los componentes pueden interactuar (Figura 2). Por ejemplo
deben de haber un grupo de ecuaciones para el metabolismo de los carbohidratos, un grupo
para la síntesis de las proteínas, otro para los ácidos nucleicos, etc. Esto permite una descripción
mucho más detallada de las actividades celulares pero a expensas de tener muchas constantes
de velocidades y el asignarles valores a las mismas resulta una tarea muy difícil.
Además, para células con distintos ciclos de vida, un modelo
estructurado puede tener comportamientos correspondientes a
cada etapa de su ciclo. Adicionalmente a eso cada
comportamiento puede ser dividido en las funciones
bioquímicas antes mencionadas y se necesitan por consiguiente
mediciones de componentes intracelulares, lo cual no es posible
en los equipos industriales. Por todos estas consideraciones,
estos modelos tan complicados tienen limitado uso práctico,
aunque han sido y son de gran valor en investigaciones
dirigidas hacia áreas como los estudios de la estabilidad de los
plásmidos en las fermentaciones recombinantes [2].
Figura 2 Esquema simplificado del
metabolismo microbiano

Como ejemplo de la complejidad que


alcanzan los modelos estructurales, se tiene
el modelo altamente desarrollado de Jeong y
colaboradores en 1990 [2]. Estos autores
desarrollan un modelo muy complejo para la
descripción del crecimiento y la esporulación
de Bacillus subtilis y el esquema de
reacción considerado se muestra en la
Figura 3. Este modelo tiene en cuenta 35
componentes intracelulares, en los que se
incluyen intermedios metabólicos de la
Figura 3 Esquema del modelo celular para B. subtillis de Jeong et al.
glicólisis, gluconeogénesis, ciclo TCA,
y una representación detallada del
metabolismo de los nucleótidos. En total está
formado por 39 ecuaciones diferenciales que contienen 200 parámetros.
Para el uso práctico se requiere un modelo que represente adecuadamente la cinética de las
fermentaciones microbianas, el cual tiene que ser lo bastante complejo como para que sea
realístico y a la vez ser suficientemente simple como para que sea posible estimarlo a partir de
5
los datos disponibles y por ello se utiliza, en la mayoría de los casos, el conocido modelo cinético
de Monod.
Cuando se unen las expresiones del balance de materiales con la expresión de Monod se llega
a un conjunto de ecuaciones (Ecuaciones 3 y 4) que representa la forma más simple del modelo
matemático de un fermentador:

dX   S
  max  X  XD (Ecuación 3)
dt  Ks  S 

dS  X   S  (Ecuación 4)
 DS0  DS   max    
dt  Y   Ks  S 

En este caso se ha sustituido la expresión dCi/dt de la ecuación 1 por dX/dt en el caso de la


biomasa y dS/dt en el caso del sustrato y se ha introducido la Ecuación de Monod. Si se va a
considerar también un metabolito producto, se añade entonces una ecuación con dP/dt, cuya
forma depende si el producto se obtiene asociado o no al crecimiento de la biomasa. Además
estas expresiones se deben completar, en los casos en que sea necesario, con el coeficiente de
mantenimiento m, la constante de muerte Kd y las constantes de inhibición Ki, de acuerdo a lo
explicado en la Cinética de Crecimiento Microbiano (Módulo I, Unidad II).
Estas expresiones resultan válidas para el Cultivo Continuo, en su estado transiente, o sea
cuando se pasa de la operación Discontinua a la Continua. Para el caso del Cultivo Discontinuo
Incrementado, el único cambio es que en el término Dilución (D = F/V), el valor de F no es
constante, sino que se incrementa en el tiempo, de acuerdo con F. Para el caso del Cultivo
Continuo, ambas expresiones se simplifican al eliminarse la Dilución, o sea al hacerse D = 0.
Para el Cultivo Continuo, en el estado estacionario se tiene que:
dX dS dP (Ecuación 5)
   0
dt dt dt
y por lo tanto las ecuaciones 3 y 4 quedan de la forma siguiente:

X1  Y  S0  S1  (Ecuación 6)

Ks D
S1  (Ecuación 7)
 max  D

6
Donde X1 y S1 son las concentraciones de X y S en el estado estacionario. Resolviendo el modelo
en función de la Dilución D, con µ = 2.38 h-1, So = 1100 mg/l,Y = 0.45, Ks =35 mg/l y M=0.05, se
obtiene [3] (Figura 4) :

En el caso del Cultivo Discontinuo se tiene:


dX dS dP (Ecuación 8)
  0
dt dt dt

dS 1 dX (Ecuación 9)

dt Y dt
Además de los Cultivos Continuos,
Discontinuos y Discontinuos Incrementados,
Figura 4 Simulación de estados estacionarios en cultivo se presentan también los Procesos
continuo Semicontinuos y los Procesos Continuos de una Etapa
con Recirculación y Continuos en Cascada, con o sin
Recirculación y para los mismos se han desarrollado variantes de las ecuaciones antes
mencionadas.
El Cultivo Continuo con Recirculación se desarrolla teniendo en cuenta que la separación y
reciclo de las células tiene como resultado un
incremento del tiempo de residencia de las células
mayor que el del flujo del fluido, lo que permite
concentraciones celulares relativamente altas.
Además se logra, que se verá en las ecuaciones
que se muestran a continuación, que el valor de
dilución sobrepase el valor de µmax, con lo cual se
solventa en parte una de las limitaciones del
Quimiostato clásico.
En la figura 5 se muestra un esquema del Cultivo Figura 5 Cultivo continuo con recirculación
Continuo con Recirculación [3], donde los símbolos
para las tasas de flujo y concentración de organismos son F y X respectivamente y para la
relación de reciclo w. Se asume mezcla perfecta y estado estacionario, de manera que las
derivadas se puedan igualar a cero. De esa forma los balances de masa dan por resultado:

(Ecuación 10)

Sin reciclo, el lavado de las células (washout) ocurre cuando D es mayor que µmax, pero el
reciclo permite operar con valores de D mucho más grandes que µmax. La concentración máxima
admisible es proporcional a la fracción que se recircula. En la Figura 6 se muestra las

7
concentraciones de masa celular y nutrientes con diferentes relaciones de reciclo, que se indican
mediante el valor suscrito de la concentración X. Es importante comparar con la figura 4, que
representa el sistema continuo en estado estacionario sin reciclo. En ese caso el valor máximo
de la tasa de Dilución D es 1, lo que equivale a la primera sección a la izquierda en la figura 6 y
que corresponde a X0, o sea con 0 fracción de reciclo. Según incrementa la razón de reciclo, se
va incrementando el valor de D que se puede alcanzar, llegando un valor cercano a 5, cuando la
dilución es 0.16 [3].
Otra variante del Cultivo Continuo clásico la
constituye el Cultivo en Cascada, donde dos o
más quimiostatos se colocan en serie, pudiendo
existir o no recirculación en todos los equipos y la
alimentación puede ser solamente en el primero o,
como ocurre más comúnmente, ocurrir en todas
las etapas del sistema en cascada.
Finalmente para completar estos modelos hay que
añadir las ecuaciones referidas al balance de
energía, desarrollando la Ecuación 2, pero en una
Figura 6 Efecto del reciclo en las concentraciones primera aproximación se puede utilizar un modelo
simplificado con las ecuaciones 3, 4, 5, 6 y 7.
en estado estacionario de masa celular y del
nutriente limitante
A partir de ese conjunto de ecuaciones es relativamente sencillo formalizar un Modelo
Matemático en un Simulador Numérico como el Berkeley Madonna.

3. Desarrollo gráfico del modelo generalizado del modo de operación de los Reactores
Biológicos
Se utilizará el Lenguaje de STELLA® para elaborar un modelo general simplificado para
reactores Biológicos, partiendo de los conceptos básicos de la Cinética del Crecimiento [4]. Para
comenzar se necesita determinar cuáles serían los Niveles (Stocks) que se tendría que incluir en
el modelo.
Para determinarlos, se comienza con un esquema simplificado de un reactor biológico (Figura 7)
en el que se consideran flujos de entrada y salida. Dentro del reactor se colocan los elementos
que determinan la cinética del proceso, a saber: concentración células (X), sustrato limitante (S)
y el producto (P). También hay que considerar el volumen del reactor (V). Y en los flujos de
entrada y salida (denotados por Fin y Fout) también se colocan los elementos que entran y salen
del digestor. En ese caso, considerando la entrada aséptica, se tendría solamente el contenido
de sustrato limitante (S), mientras que en la salida habría, además de S, células (X) y producto
(P).

8
A continuación, antes de determinar cuáles serían los Stock,
hay que tener en cuenta que los parámetros cinéticos
medidos son concentraciones y por lo tanto dependen del
volumen que, en el caso general que se está analizando, no
se puede considerar constante. Esto hace necesario que en
los Stock se consideren los productos de las concentraciones
por el Volumen, o sea serían: XV, SV, PV, y V, a lo cual hay
que añadir los flujos que entran y salen. Posteriormente en el
modelo hay que incluir los convertidores y conectores que se
encargen de plantear las relaciones de la Cinética de
Monod. Además, por conveniencia se analizan cada Stock
por separado, de manera que se puedan agrupar en Sectores
que faciliten el análisis del modelo.

Figura 7 Reactor biológico y principales parámetros medidos

Se tendrá en cuenta el carácter general del Modelo, por lo cual se considerará el caso más
general, de flujos a la entrada y la salida, sin que se alcance el estado estacionario. El resultado
final que se obtiene se muestra en la Figura 8.

Figura 8 Modelo Gráfico con STELLA de Reactor Biológico de Cultivo Continuo No Estacionario (caso general)

9
En la Clase Práctica se desarrollará
completamente este modelo y las
simplificaciones que se pueden hacer del
mismo. Por ejemplo, para modelar el Cultivo
Discontinuo Incrementado (fed batch), se hace
Fout = 0 y, para modelar el Cultivo Discontinuo,
se considera V = constante y Fin = Fout =0.
En particular para modelar el Cultivo
Discontinuo, no se necesita el Sector del
Reactor Biológico y, como V es constante, se
pueden expresar los Stocks en función de las
Concentraciones. El modelo en forma icónica
quedaría como se muestra en la Figura 10.

En ese caso, la sencillez del modelo hace


Figura 9. Figura 9 Modelo Gráfico del Cultivo
innecesaria la presentación en sectores, con lo
Discontinuo con sectores. cual se obtiene la versión más sencilla, como se
muestra en la Figura 10.

En la interface de ecuaciones se obtiene el sistema


de ecuaciones diferenciales que modelan estos
Cultivos. Para el caso general las ecuaciones son:

Células:
VX(t) = VX(t - dt) + (rVX - rVXout) * dt
INIT VX = V0*X0
rVX = mu*X*V
rVXout = VX*Fout
Ks = 0.1
mu = mumax*S/(Ks+S)
mumax = 0.3; X = VX/V; X0 = 0.01
Productos:
VP(t) = VP(t - dt) + (rVP - rVPout) * dt Figura 10 Modelo Gráfico del Cultivo
Discontinuo sin sectores
INIT VP = P0*V0
rVP = (k1*X+k2*X*mu)*V
rVPout = VP*Fout
10
k1 = 0.03; k2 = 0.08; P = VP/V; P0 = 0
Reactor
V(t) = V(t - dt) + (Fin - Fout) * dt
INIT V = V0
Fin = IF TIME <= TBATCH THEN 0 ELSE IF V >= VMax THEN 0 ELSE FedFlow
Fout = Fin*ChemoSwitch
ChemoSwitch = 0
D = Fin/V
FedFlow = 1.5; TBatch = 22.5; ; V0 = 1; VMax = 50
Substrato
S(t) = VS(t - dt) + (rFeed - rVSX - fVSout) * dt
INIT VS = So*V0
rFeed = Fin*SF
rVSX = (rVX/Yxs)
fVSout = Fout*VS
S = VS/V
SF = 10
So = 10
Yxs = 0.8

A partir de estas ecuaciones se puede correr el mismo modelo en Berkeley Madonna, con muy
pocas modificaciones, como se verá más adelante.

11
4. Empleo del Simulador Numérico Berkeley Madonna
4.1 Introducción
Berkeley Madonna es un programa que resuelve numéricamente Sistemas de Ecuaciones
Diferenciales Ordinarias (ODE) y Ecuaciones de Diferencias (DE) y aunque se desarrolló
originalmente para resolver más rápidamente modelos desarrollados con STELLA®, con el paso
del tiempo se le añadieron características únicas que lo convirtieron en una herramienta de
simulación independiente, rápida, y fácil de usar. Además, para hacerlo independiente de
STELLA®, sus desarrolladores le incluyeron un Flow Chart Editor que imita la mayoría de las
características del software icónico STELLA®. Ese editor crea visualmente modelos con iconos
(Figura 11) y deja que Berkeley
Madonna escriba las ecuaciones, pero
tiene algunas limitaciones si se le
compara con STELLA®. Por lo anterior,
en este Módulo se recomienda utilizar
STELLA® para desarrollar la parte
icónica del modelo y posteriormente
trabajar con Berkeley Madonna, aunque
en algunos casos puede ser
recomendable trabajar directamente con
Figura 11 Resultado en el Flow Chart Editor de Madonna
Madonna.

Berkeley Madonna incluye el módulo Chemical Reactions, que permite escribir las
ecuaciones químicas con la notación química convencional, para después convertirlas
automáticamente por la Ley de Acción de Masas y escribir las ecuaciones cinéticas
correspondientes. Este módulo es realmente una herramienta muy útil para los modelos
de Reacciones Químicas. Además Madonna incluye un Módulo denominado Boundary
Value ODE, para resolver las Ecuaciones Diferenciales Ordinarias con Condiciones de
Frontera.

4.2 Reglas para la escritura de las ecuaciones de los modelos en Berkeley Madonna
Métodos de Integración
Los Métodos de Integración disponibles son cinco: Cambio Automático del Paso de Integración
(Auto), Euler, Runge Kutta No. 2 (RK2), Runge Kutta No. 4 (RK4) y el método de Rosenbrok
(Stiff), especial para los sistemas de Ecuaciones Rígidas (Stiff Equations). Los métodos más
utilizados son el Auto y el RK4. El uso del Stiff se limita a los sistemas que sean de ese tipo,
como se describen en Análisis Numérico.
Parámetros de Integración
Los Parámetros de Integración son: Tiempo inicial, por defecto 0 (STARTTIME = 0); Tiempo final,
por defecto 10 (STOPTIME = 10); Paso de la Etapa de Integración, válido sólo para los Métodos
12
de Euler, RK2 y RK4, por defecto 0.02, (DT = 0.02); DT mínimo, sólo para los métodos Auto y
Stiff, por defecto 1.0 e-6, (DTMIN = 1.0e-6); Precisión relativa para los métodos Auto y Stiff, por
defecto 0.01, (TOLERANCE = 0.01); Intervalo de tiempo de salida, 0 si se almacena cada salida
del modelo, (DTOUT = 0 ); Precisión relativa para los extractores de raíces incorporados, por
defecto 0.001, (ROOTTOL = 0.001).
Es posible cambiar los nombres de esos símbolos y de TIME, utilizando el comando RENAME
como por ejemplo:
RENAME TIME = X
RENAME STARTTIME = Xo
RENAME STOPTIME = Xf
Para inicializar las ecuaciones se utilizan las expresiones siguientes:
x(STARTTIME) = expresión
INIT x = expresión
INIT(x) = expresión
Ecuaciones Diferenciales
Las Ecuaciones Diferenciales se escriben de la siguiente forma:
x' = expresión
d/dt(x) = expresión
FLOW x = expresión
x(t) = x(t - dt) + (expresión) * dt
x = x + dt * (expresión)

Las ecuaciones de Segundo orden y superiores se pueden definir directamente utilizando la


notación “prima”, como en el ejemplo siguiente: x'' = expresión. En ese caso se define una
ecuación diferencial de segundo grado.
Internamente Berkeley Madonna traslada las expresiones de ese tipo en un sistema de dos
ecuaciones de primer orden con variables nombradas x' y x. Usted puede referirse a esas
variables en las ecuaciones como cualquier otra variable que defina y debe suministrar valores
iniciales para cada una de esas variables. Por ejemplo, en el siguiente sistema de tercer orden:
x''' = -2*x'' - 3*x' - x + 1
init x'' = 2
init x' = -1
13
init x = 0
Ecuaciones de Diferencias
Se escriben de la forma siguiente:
x(t + dt) = expresión
NEXT x = expresión
El valor de x se sustituye por el valor de la expresión en el lado derecho de la ecuación. Por
consiguiente, para implementar una típica ecuación de diferencias finitas, en la cual se añade
cierto valor f(x), se debe escribir:
x(t+dt) = x + f(x) or
NEXT x = x + f(x)
Ecuaciones de Límites
Los límites se escriben de la forma siguiente
LIMIT v >= c
Que significa la restricción a la variable v para que sea >= c
LIMIT v <= c
Que significa la restricción a la variable v para que sea <= c
En este caso es importante tener en cuenta que c no tiene que ser constante, puede variar con
el tiempo.

Ecuaciones de Búsqueda de Raíces


Un buscador de raíz inicial corre durante la etapa de inicialización, para la cual se debe
suministrar una aproximación inicial, la expresión cuya raíz (cero) quiere hallar y los superior e
inferior de la variable independiente, o sea:
GUESS x = ... Aproximación inicial
ROOTI x = f(x) Resolver para f(x) = 0
LIMIT x >= ... Límite inferior for x
LIMIT y <= ... Límite superior for x
Un buscador de raíz por etapas trabaja igual que un buscador de raíz inicial excepto que corre
no solamente durante la etapa de inicialización, sino también durante cada subsiguiente etapa
de tiempo. Los buscadores de raíz por etapas se denotan con la palabra clave ROOTS, en lugar
de ROOTI para los de valor inicial.

14
Los problemas multidimensionales se definen creando múltiples declaraciones ROOTI o ROOTS,
cuyos lados derechos dependen de cada otra variable independiente. Por ejemplo, para hallar x
y y tales que se cumplan ambas, f(x,y)=0 y g(x,y)=0, se debe escribir de la forma siguiente:
GUESS x = ...
GUESS y = ...
ROOTI x = f(x,y)
ROOTI y = g(x,y)
LIMIT x >= ...
LIMIT x <= ...
LIMIT y >= ...
LIMIT y <= ...

Ecuaciones Discretas
Una variable se puede definir como conveyor, oven o queue, de la forma siguiente:
x = CONVEYOR (entrada, tiempo_tránsito, capacidad)
x = OVEN (entrada, tiempo_codido, tiempo_llenado, capacidad)
x = QUEUE (entrada1, entrada2, ..., entradaN)
El argumento de capacidad para los conveyors y ovens es opcional. Si se omite, se consideran
que tienen una capacidad ilimitada.

Comandos para mostrar (display)


DISPLAY a, b, ... Muestra sólo los símbolos a, b, ... en listas

Ecuaciones en Arreglos (Arrays)


Los arreglos uni-dimensionales (vectores) se definen de la forma siguiente:
y[1] = expresión Define un vector con 1 elemento (y[1])
y[1..3] = expresión Define un vector con 3 elementos (y[1], y[2], y[3])
Los arreglos de dos y tres dimensiones se definen de manera similar:
y[1,1] = expresión Define arreglos 2D con 1 elemento (1x1)
y[1..2,1..2] = expresión Define arreglos 2D con 4 elementos (2x2)
y[1..3,1,1..4] = expresión Define arreglos 3D con 12 elementos (3x1x4)
15
En las ecuaciones de arreglos, i, j, and k representan los índice(s) de los elementos que son
asignados. Por ejemplo:
y[1..3] = k * f[i] es equivalente a
y[1] = k * f[1]
y[2] = k * f[2]
y[3] = k * f[3]

y:
y[1..2,1..3] = k * f[i] + g[j] es equivalente a:
y[1,1] = k * f[1] + g[1]
y[1,2] = k * f[1] + g[2]
y[1,3] = k * f[1] + g[3]
y[2,1] = k * f[2] + g[1]
y[2,2] = k * f[2] + g[2]
y[2,3] = k * f[2] + g[3]
Los arreglos de ecuaciones diferenciales y de diferencias se definen colocando los paréntesis
inmediatamente después del nombre de la variable. Por ejemplo, las siguientes ecuaciones
definen un conjunto de tres ecuaciones diferenciales:
INIT y[1] = 1
INIT y[2] = 10
INIT y[3] = 100
d/dt(y[1]) = -0.1 * y[1]
d/dt(y[2]) = -0.1 * y[2]
d/dt(y[3]) = -0.1 * y[3]
Esas ecuaciones se pueden escribir de manera más sucinta, de la forma siguiente:
INIT y[1..3] = 10^(i-1)
d/dt(y[1..3]) = -0.1 * y[i]
Comentarios
Los comentarios de una sola línea se pueden añadir en cualquier lugar en las ecuaciones,
siempre y cuando comience con una coma y continúen hasta el fin de la línea. Los comentarios

16
que tengan multiples líneas se deben encerrar entre llaves o descomponerse en series de
comentarios de una sóla línea. Por ejemplo:
y = sin(time) ;Este es un comentario de una sóla línea
{Este comentario llena dos líneas y termina con
una llave.}
;Aquí es un comentario
;de tres líneas hecho
;de comentarios de una sola línea.
Los comentarios encerrados en paréntesis se pueden anidar. Eso facilita “comentar out”
ecuaciones que ya tienen comentarios. Por ejemplo:
a=1
{x = cos(time) {Horizontal}
y = sin(time) ;Vertical}
z = x^2 + y^2

Funciones Integradas en el Simulador


Funciones Básicas
ABS(x) Valor absoluto de x
SQRT(x) Raíz cuadrada de x
INT(x) Entero más grande <= x
ROUND(x) Entero más cercano a x
MOD(x, y) Residuo de dividir x / y (vea: Creación de Funciones Periódicas)
MIN(x1, x2, ...) Mínimo de x1, x2, ...
MAX(x1, x2, ...) Máximo de x1, x2, ...
SUM(x1, x2, ...) Suma de x1, x2, ...
MEAN(x1, x2, ...) Promedio de x1, x2, ...
SWITCH(x, y) Igual que x >= y

Funciones Trigonométricas
PI Valor de pi
17
SIN(x) Seno de x
COS(x) Coseno de x
TAN(x) Tangente de x
ARCSIN(x) Seno inverso de x
ARCCOS(x) Coseno inverso de x
ARCTAN(x) Tangente inversa de x
SINH(x) Seno hiperbólico de x
COSH(x) Coseno hiperbólico de x
TANH(x) Tangente hiperbólica de x
ARCSINH(x) Seno hiperbólico inverso de x
ARCCOSH(x) Coseno hiperbólico inverso de x
ARCTANH(x) Tangente hiperbólica inversa de x

Funciones Logarítmicas
LOGN(x) Logaritmo natural de x
LOG10(x) Logaritmo común de x
EXP(x) Inverso del logaritmo natural de x

Otras funciones trascendentales


ERF(x) Función error de x
ERFC(x) Función error complementaria de x
GAMMALN(x) Logaritmo natural de la función gamma de x

Funciones Discretas
RANDOM(a, b) Números aleatorios uniformes entre a y b
RANDOM(a, b, s) Números aleatorios uniformes con semilla s
NORMAL(µ, sd) Número aleatorio normal: con promedio µ y desviación típica sd
NORMAL(µ, sd, s) Número aleatorio normal con media µ, desviación típica sd y semilla s
BINOMIAL(p, n) Número aleatorio binomial: n pruebas con probabilidad p

18
BINOMIAL(p, n, s) Número aleatorio binomial con semilla s
POISSON(µ) Número aleatorio Poisson con promedio µ
POISSON(µ, s) Número aleatorio Poisson con semilla s
DELAY(x, d) Valor de x retrasada por el tiempo d
DELAY(x, d, i) Valor de x retrasada por el tiempo d con valor inicial i
MAXINFLOW(x) Máximo flujo permitido en el oven o conveyor x
OUTFLOW(x) Flujo de salida del oven o conveyor x
OSTATE(x) Estado del oven x: 0=ocioso, 1=llenando, 2=cocinando, 3=vaciando
QPOP(x, n, m) Eliminar hasta n items de la cola x m total o menos
QPOPS(x, n, m) Como QPOP, pero puede eliminar parte de un elemento para alcanzar m

Funciones misceláneas
STEPSIZE Cambio en TIME de la etapa previa a la actual
INIT(x) Valor de la expresión x en el STARTTIME
NETFLOW(r) Flujo neto en el resrvoir r desde un paso de tiempo previo
STEP(h, t) Igual que IF TIME >= t THEN h ELSE 0
PULSE(v, f, r) Impulsos de volumen v, primer tiempo f, intervalo de repetición r
SQUAREPULSE(t, d) Pulso de altura 1 comenzando en el tiempo t con duración d
GRAPH(x) (x1,y1) (x2,y2) (x3,y3) ...
Búsqueda de x en la lista de puntos usando interpolación lineal
Funciones de Arreglos
ARRAYSUM(x[*]) Suma de todos los elementos en el arreglo x
ARRAYMEAN(x[*]) Promedio de todos los elementos en el arreglo x
ARRAYSTDDEV(x[*]) Desviación típica de todos los elementos en el arreglo x

Cualquier Conjunto de Datos (Data Set en Madonna) se puede usar en los modelos como una
función lineal por tramos y se usa el conjunto de datos como si fuera una función incorporada al
simulador, con uno o dos argumentos:
t = #temperatura(x)
q = #carga(x,y)
19
Este ejemplo asume que #temperatura es un conjunto de datos vectoriales (uni-dimensional) y
#carga es una conjunto de datos matriz (bi-dimensional). Berkeley Madonna calcula los
resultados mediante interpolación lineal de los puntos cercanos.

OPERADORES
Operadores Aritméticos
x + y Adición
x - y Sustracción
x * y Multiplicación
x/y División
x ^ y Exponenciación
x ** y Igual que x ^ y
-x Negación
Operadores Relacionales
x = y Igual a
x <> y No igual a
x < y Menos que
x <= y Menos que o igual a
x > y Más grande que
x >= y Más grande que o igual a
Operadores Lógicos
x AND y AND Lógico
x OR y OR Lógico
NOT x Inversa lógica
Operador Condicional
IF x THEN y ELSE z

CONSEJOS
Para hacer los Reservoir No-Negativos y los Flujos, Unidireccionales

20
Use la expresión LIMIT para hacer los reservoir no-negativos y los flujos unidireccionales.
Ejemplo:
r(t) = r(t - dt) + (i - o) * dt
LIMIT r >= 0 Hace el recipiente r no-negativo
LIMIT i >= 0 Hace al flujo de entrada i uni-direccional
LIMIT o >= 0 Hace al flujo de salida o uni-direccional

Para crear Funciones Periódicas


y = F(MOD(TIME, i)) F se repite en el intervalo de tiempo i
Ejemplo: Onda cuadrada con period = 1 y = IF MOD(TIME, 1) >= 0.5 THEN 1 ELSE 0

4.3 Desarrollo de Modelos Matemáticos con Berkeley Madonna


Como normalmente no se utiliza Berkeley Madonna como simulador gráfico, para utilizarlo hay
que escribir directamente las ecuaciones en su Ventana de Ecuaciones (Figura 12), siguiendo su
sintaxis específica, que es muy similar al método normal de escribir las ecuaciones, como se
describe en el epígrafe anterior. En la pantalla de Madonna aparece de inicio el Método Numérico
de Resolución de Ecuaciones Diferenciales que se utiliza, que por defecto es el Runge Kutta 4,
señalado como METHOD RK4; el Tiempo de Inicio de la simulación, por defecto 0 (INIT=0); el
Tiempo de Terminación de la Simulación, por defecto 10 (STOPTIME=0) y del paso de
integración, por defecto 0.02 (DT=0.02).

A partir de esa base, hay que escribir las Ecuaciones Diferenciales y Ecuaciones Algebraicas,
así como introducir las constantes y conversiones, lo que puede ser bastante complejo, si no se
dispone de Modelos Matemáticos previamente desarrollados. En esos casos lo más conveniente
es utilizar un Simulador Numérico de Ambiente Gráfico como el STELLA o el Vensim, aunque
es recomendado utilizar STELLA ya que las ecuaciones desarrolladas por éste son compatibles
con Berkeley Madonna, por lo cual sólo hay que importarlas. STELLA® exporta las ecuaciones
en un fichero texto y el contenido del mismo debe ser copiado y pegado directamente en Ventana
Inicial de Ecuaciones (Figura 12) de Madonna.

En este caso hay que tener en cuenta la existencia de algunas incompatibilidades menores entre
STELLA® y Berkeley Madonna entre las que se encuentra que Madonna no admite
directamente los tipos de Stocks como Conveyor, Queue y Oven y no limita automáticamente
los valores de los Stocks por debajo de cero. En esos casos es necesario aplicar los Consejos
explicados en el epígrafe anterior, de manera que no haya problemas de este tipo. Otra dificultad
es que Madonna no admite el Flow Converter y que algunas funciones específicas de STELLA
® (especialmente la Función Pulso), no trabajan bien en Madonna, pero en general, si se tienen
en cuenta estas incompatibilidades menores, es perfectamente factible trasladar las ecuaciones

21
de los modelos de ecuaciones desarrolladas en STELLA hacia Berkeley Madonna, el cual
precisamente fue desarrollado para que las ecuaciones obtenidas en STELLA corriesen más
rápidamente.

Figura 12 Ventana Inicial de Ecuaciones en Berkeley Madonna

Otro elemento a tener en cuenta, que no constituye una verdadera incompatibilidad, es que la
forma en que STELLA conforma las ecuaciones diferenciales, aunque completamente
compatible con Madonna, no es tan confortable ni clara como el de Berkeley Madonna, por lo
que resulta conveniente (aunque no imprescindible) modificar las ecuaciones diferenciales
importadas, para que se ajusten al formato más simple preferente en Madonna. Como ejemplo
se tiene el conjunto de ecuaciones importado de STELLA, del modelo del Cultivo Discontinuo
simple, como se muestra en la Tabla 1.
Sin embargo, con ligeras modificaciones, se puede llevar este conjunto de ecuaciones al formato
preferente de Madonna. De esa forma se obtiene el conjunto de ecuaciones que se muestra en
la Tabla 2, arreglo que, además de más agradable a la vista, facilita la revisión del modelo y sus
modificaciones, por lo tanto se recomienda que en todos los casos las ecuaciones importadas
desde STELLA se ajusten de la forma explicada.
También existe la posibilidad, como se mencionó al inicio, de utilizar el Editor Gráfico que trae
Madonna, lo cual se deja como ejercicio práctico. Posteriormente el usuario deberá elegir cuál
de las dos variantes le resulta más adecuada: Iniciar con STELLA y exportar a Madonna o
trabajar directamente desde Madonna.
En ese caso un elemento a tener en cuenta es que con el Editor Gráfico de Madonna no se
pueden realizar los Simuladores de Vuelo, que tan útil resultan para la docencia. Pero cuando el
objetivo es solamente modelar y además se quiere limitar el número de software a utilizar, es
factible utilizar el Berkeley Madonna, tanto para la etapa gráfica como para el procesamiento de
las ecuaciones.

22
Tabla 1 Ecuaciones importadas de STELLA del Modelo del Cultivo Discontinuo

Cells(t) = Cells(t - dt) + (Rate_ofCell_Growth) * dt


INIT Cells = 0.01
Rate_ofCell_Growth = mu*Cells
Product(t) = Product(t - dt) + (Rate_of_Product_Formation) * dt
INIT Product = 0
Rate_of_Product_Formation = k1*Cells+k2*Cells*mu
Substrate(t) = Substrate(t - dt) + (- Rate_of_Susbtrate_Consum) * dt
INIT Substrate = 10
Rate_of_Susbtrate_Consum = Rate_ofCell_Growth/Yxs
k1 = 0.03
k2 = 0.08
Ks = 0.1
mu = muMax*Substrate/(Ks+Substrate)
muMax = 0.3
Yxs = 0.8

Con el modelo desarrollado en Madonna o incorporado desde STELLA, se pueden realizar las
corridas y presentar tablas y gráficos, de manera similar a STELLA, pero de una forma más
amigable y con muchas más posibilidades. Entre las posibilidades adicionales de Madonna
están:
Ventana de Parámetros de Berkeley Madonna
En esta ventana (Figura 13, izquierda) se puede cambiar cualquier parámetro sin modificar el
modelo en sí. Cuando corre un modelo, utiliza siempre los parámetros de esta ventana, no los
de la ventana de ecuaciones del modelo (Model Equations).

23
Tabla 2 Ecuaciones del Modelo del Cultivo Discontinuo Simple ajustadas al formato de Madonna

METHOD RK4
STARTTIME = 0
STOPTIME=10
DT = 0.02
d/dt (Cells) = Rate_ofCell_Growth
INIT Cells = 0.01
Rate_ofCell_Growth = mu*Cells
d/dt (Product) = Rate_of_Product_Formation
INIT Product = 0
Rate_of_Product_Formation =
k1*Cells+k2*Cells*mu
d/dt (Substrate) = - Rate_of_Susbtrate_Consum
INIT Substrate = 10
Corridas discontinuas (Batch runs)
Rate_of_Susbtrate_Consum =
Rate_ofCell_Growth/Yxs Con esta herramienta (Figura 13,
mu = muMax*Substrate/(Ks+Substrate) derecha), se pueden llevar a cabo
corridas automáticas con diferentes
k1 = 0.03
valores de un parámetro, como ka, que
k2 = 0.08
aparece seleccionado en la figura.
Ks = 0.1
muMax = 0.3
EnYxs
el =ejemplo
0.8 se ajustó desplegar 10 corridas, con valores de ka de 0.1 a 1, para lo cual los
valores intermedios de ka se calculan automáticamente y se muestran en los Valores, en una
ventana desplegable (Figura 13, derecha). Si en el tipo de serie se selecciona Aritmética, los
valores intermedios se separan por incrementos iguales. Si se selecciona la Geométrica, los
valores forman una secuencia geométrica. El resultado de las 10 corridas se muestra en la figura
14.

24
Figura 13 Ventana de Parámetros (parte izquierda) y Batch Runs (parte derecha)

Figura 14 Resultados de las corridas repetidas variando ka

25
Gráficos Paramétricos:
Consiste en obtener el efecto de un
parámetro en el resultado que se
obtiene. En el ejemplo se ajusta la
ventana correspondiente (Figura
15) para la ejecución de 20 corridas
del parámetro ka, que varíe de
forma aritmética entre 0.1 y 4. En
cada corrida se determina el
resultado del valor máximo de uno
de los productos del modelo, en
este caso la concentración de B y
se obtiene el gráfico de la variación
de B en función del parámetro ka.
También se pueden seleccionar
otros valores (inicial, final, mínimo,
promedio, etc.).
Figura 15 Ventana para ajustar los gráficos paramétricos

En el siguiente gráfico (Figura 16) se muestra el resultado de graficar los valores máximos de la
concentración de B, para cada una de las 20 corridas realizadas.

Figura 16 Resultados de las corridas paramétricas

26
Ajuste de Curvas
Se usará como ejemplo el modelo simple de Reactor Biológico, importado de STELLA tratado en (4.3). El
proceso comienza con la importación de los conjuntos de datos experimentales que servirán de base para
el ajuste de curva. Con esa base se realizará el ajuste de sensibilidad y la optimización. Para la
importación de los datos se utiliza el método mostrado en (4.2), las Funciones de Conjunto de Datos,
utilizando la Pantalla de Conjunto de Datos y el Diálogo para importar que se muestra en la Figura 17.

Figura 17 Pantalla de Conjunto de Datos y diálogo para importar nuevos datos

Primero se procede al ajuste de las


curvas, para lo cual se utiliza la
Pantalla para la Definición del
Ajuste de Curva (Figura 18). Se
define primero el parámetro que se
va a utilizar para el ajuste, en este
caso kaV y se definen sus valores
máximo y mínimo y dos
aproximaciones para las
iteraciones. A continuación se
definen la variable que se van a
ajustar, en este caso caVCC, a
partir del conjunto de datos
#caVCC, con una tolerancia de
0.001. El resultado del ajuste se
presenta en la Figura 19.
Figura 18 Pantalla para la Definición del Ajuste de Curva

27
Figura 19 Ajuste de la curva caVCC (azul) versus datos experimentales (Puntos en rojo)

Análisis de Sensibilidad
En la Ventana para el Análisis de Sensibilidad (Figura 20), se selecciona el parámetro al que
vamos a evaluar la sensibilidad que tiene el cambio del mismo en el resultado del modelo. Se
selecciona el parámetro (o parámetros) y se hace clic en OK para comenzar el análisis, el cual
consiste en realizar una corrida normal y una segunda corrida con un 10% más alto del valor de
los parámetros). Los resultados de la corrida en el caso del ejemplo se muestran en la Figura 21.

Figura 20 Ventana para el Análisis de Sensibilidad en Madonna


28
Figura 21 Resultados del Análisis de Sensibilidad

Los resultados obtenidos (Figura 22) permiten apreciar que tanto las células como el sustrato
son muy sensibles al parámetro evaluado (µmáxima), lo cual es una consecuencia lógica de la
aplicación de la Cinética de Monod. En otros modelos más complejos el análisis no es tan sencillo
y una solución utilizada en muchas ocasiones es realizar la división entre la diferencia en la
variable y la diferencia en el parámetro, en un tiempo razonable de procesamiento y hacer
comparaciones entre las distintas variables, de manera de poder apreciar cuál (o cuáles) variable
(s) afectan más el resultado del proceso. Como ejemplo se tiene el resultado de evaluar la
sensibilidad de un proceso de producción de vectores retrovirales en un reactor biológico de
cama fija [5], los que se muestran a continuación (Tabla 3):

Tabla 3 Resultados del análisis de sensibilidad de variables seleccionadas del modelo, con relación a seis
diferentes parámetros

29
De los resultados mostrados en la Tabla 3 [5] se aprecia que el parámetro de degradación de los
vectores retrovirales (kiV a 37 ◦C) es mucho más relevante para la calidad de la producción que
los parámetros μmax y kaV, lo que coincide con los resultados experimentales obtenidos en ese
trabajo y enfatizó la importancia de la definición de una estrategia adecuada de cosecha de los
vectores retrovirales, lo que resultó decisivo para el desarrollo de la investigación.

Optimización
En la Ventana para la Optimización (Figura 22), se selecciona el parámetro que se seleccione
para variar, en el ejemplo es la concentración inicial del substrato (INIT Substrate) y la variable
a optimizar, en el ejemplo el producto (Product). Como es una optimización y en la ventana
aparece solamente minimización (minimize), es necesario colocar un signo negativo que indique
que lo que se quiere es lo contrario de la minimización, o sea la optimización. Se tendría
entonces (-minimize) y como la variable a optimizar es la producción, se tendría entonces en la
expresión a “minimizar”, (-Product). Además es necesario definir los valores máximos y mínimos
de dicha concentración (en el ejemplo 1 y 100), dos valores de prueba (5 y 15) y la tolerancia
(0.001).

Figura 22 Ventana de optimización de Berkeley Madonna con un ejemplo

Berkeley Madonna hace las corridas necesarias hasta llegar al óptimo y el valor del parámetro
optimizado del sustrato inicial (75) y el tiempo que duró la corrida en ese caso (100), se pueden
observar en la Pantalla de Parámetros (Figura 23), el valor optimizado. Los resultados obtenidos
se pueden observar en forma tabular o gráfica y analizando los resultados en forma gráfica
(Figura 24) se observa cómo a partir de valor de sustrato comienzan a variar significativamente
los comportamientos, alcanzándose posteriormente un crecimiento exponencial. El
procedimiento de optimización selecciona el óptimo en el valor de 75
30
.

Ahora bien, es posible que el valor recomendado no pueda ser


alcanzado en la práctica, por existir restricciones no consideradas en el
modelo, como la máxima concentración de un sustrato particular, que
se pueda mantener en solución sin precipitar. Eso pudiera, por ejemplo,
limitar la concentración máxima a un valor inferior a 75, pero si no existe
una limitación como la mencionada, con la concentración inicial de
sustrato igual a 75, se obtendría la máxima producción.

Figura 23 Resultados de la optimización del valor inicial del sustrato

Figura 24 Resultados de las corridas para la optimización del Producto en Cultivo Discontinuo

5. Simulación de Reactores Biológicos usando Berkeley Madonna


Para estos ejemplos se considerarán las ecuaciones obtenidas mediante procesos de
modelación analítica, para aplicarlos directamente en la Ventana Inicial de Ecuaciones de
Berkeley Madonna. Los ejemplos se toman del libro Biological Reaction Engineering [1].

5.1 Cinética de la Acción Enzimática en Cultivo discontinuo (MMKINET)


El sistema a modelar es la acción de una enzima (E) sobre un sustrato (S), basada en la
formación de un complejo intermedio Enzima-Sustrato (ES):

31
Durante el proceso, la cantidad de Enzima no varía y por lo tanto las variables son S, P y ES.
Como el proceso ocurre en un Cultivo Discontinuo, no se considera el Volumen, ya que éste
permanece constante. Las ecuaciones diferenciales, que corresponden a los Stocks de
STELLA, se muestran a continuación:

A este modelo se le aplica la aproximación del estado estacionario, en el cual se considera que
permanece constante la concentración del complejo ES:

A partir de esa simplificación se obtiene la conocida ecuación de Michaelis-Menten, o sea:

En la cual vmax= k3E0 y K= (k2+k3)/k1.


A continuación las ecuaciones de ambos modelos en Madonna:
{MMKINET}
{Comparación de la simplificación de Michaelis-Menten con el modelo cinético detallado}

{CONSTANTES}
K1=20 K2=40 K3=50 E0=0.01 S0=1
ES0=0
32
{Condiciones iniciales}
INIT S=S0
INIT ES=ES0
INIT P=0

{Balances de masa discontinuos}


d/dt(S)=K2*ES-K1*E*S
d/dt(ES)=K1*E*S-(K3+K2)*ES
d/dt(P)=K3*ES
E=E0-ES

{Simplificación de Michaelis-Menten}
Init Smm=S0
Init Pmm=0
d/dt(Smm) = rSmm
rSmm = -VM*Smm/(KM+Smm)
d/dt(Pmm) = - rSmm
KM=(K2+K3)/K1
VM=K3*E0

{Diferencia entre los modelos}


SDiff=S-Smm
PDiff=P-Pmm

A continuación los resultados de la corrida del modelo cinético completo (Figura ..) y las
comparaciones entre los valores obtenidos por ambas versiones (Figura 25). Del análisis de la
Figura 26 se aprecia que la diferencia entre los valores de Sustrato y Producto es muy pequeña,
lo que justifica el uso de la aproximación de Michaelis-Menten.

33
Figura 25 Simulación cinética enzimática en Cultivo Discontinuo con modelo completo

Figura 26 Diferencia de resultados entre el Modelo Completo y Modelo simplificado de Michaeles Menten

34
5.2 Simulación del Cultivo discontinuo alimentado (FEDBAT)
Para el Cultivo Discontinuo Incrementado, las ecuaciones para Balance Total, Células, Sustrato y Producto
son las siguientes:

Dónde F es la tasa de flujo volumétrico de alimentación, Sp la concentración en la alimentación


y V es el volumen del reactor en el tiempo t. Por consiguiente, las cantidades másicas VS, VX y
VP se calculan y posteriormente se dividen por el Volumen (V) para obtener los términos de
concentración, requeridos para las relaciones cinéticas. La cinética se toma igual a los ejercicios
de Modelación de Reactores Biológicos con STELLA.
Con esa base se desarrolla el modelo en Madonna, teniendo en cuenta que la operación
comienza como Cultivo Discontinuo y es necesario determinar cuándo comienza el Cultivo
Discontinuo Incrementado. Eso se logra con el uso de la expresión “IF”, de manera que el flujo
comience cuando se llegue al tiempo determinado por tfeed. A continuación las ecuaciones del
modelo en Madonna:
Las ecuaciones del modelo en la Ventana de Madonna se muestran a continuación:
{FEDBAT}
{Fermentación con inicio en cultivo discontinuo}
{Flujo de Alimentación al inicio = 0 y comienza cuando TIME = Tfeed }
{ Constantes}
UM=0.3; 1/h
KS=0.1; kg/m3
K1=0.03;gP/kgX h
K2=0.08;gP/kgX
Y=0.8; kg X/kg S
35
X0=0.01; Inóculo inicial de biomasa, kg/m3
S0=10; Concentración inicial de substrato, kg/m3
P0=0; Concentración inicial de producto, g/m3
SF=10; Concentración en la Alimentación, kg/m3
F1=1.5; Flujo de alimentación, m3/h
tfeed=22.5; Tiempo para inicio de la alimentación
{Condiciones Iniciales}
init V=1
init VX=V*X0
init VS=V*S0
init VP=V*P0
{Balances de Materiales, kg/h}
d/dt(V)=F
d/dt(VX)=RX*V
d/dt(VS)=F*SF+RS*V
d/dt(VP)=RP*V {g/h}

{Cálculo de concentraciones}
X=VX/V
S=VS/V
P=VP/V
{Cinética}
RX=U*X
U=UM*S/(KS+S)
RS=-RX/Y
RP=(K1+K2*U)*X
D=F/V {Tasa de dilución, 1/h}
{Para iniciar la alimentación en el tiempo = tfeed}
F=if time>=tfeed then F1 else 0 {Inicio como cultivo discontinuo}

36
Es una buena costumbre agrupar las ecuaciones y parámetros como se hizo en el modelo del
Cultivo Discontinuo Incrementado, porque eso facilita la revisión y mejoras del modelo. El modelo
desarrollado se puede utilizar para demostrar la importancia de la característica del llamado
Estado Cuasi-Estacionario y el uso de estrategias de alimentación alternativas.
La simulación comienza en Estado Estacionario y el comienzo de la alimentación se fija para
tfeed=22.5 h. En la Figura 27, se destaca el cambio del crecimiento estacionario creciente, así
como la continuación transiente hacia unas condiciones de operación de Estado Cuasi-
Estacionario. En esas condiciones la concentración de biomasa se mantiene constante, mientras
que la concentración del sustrato S está por debajo de KS y decrece muy lentamente.
En la figura 28 se hace un zoom en la Zona Cuasi Estacionaria, para poder apreciar los valores
de D y . En la misma se puede apreciar cómo los valores de D (= F/V) también decrecen,
puesto que V aumenta por causa del flujo de entrada y D posteriormente llega a ser igual a
cuando S cae por debajo de Ks. La cantidad total de biomasa se determina por el coeficiente de
rendimiento por la cantidad total de sustrato que ha sido consumida, lo que es aproximadamente
igual a la cantidad inicial en el reactor más la cantidad añadida durante el periodo de
alimentación.
Durante el Periodo Cuasi-Estacionario la cantidad total de biomasa se incrementará linealmente
con el tiempo si, como en este caso, el flujo de alimentación se mantiene constante, lo que
constituye un "crecimiento lineal" constante en el cual la tasa de crecimiento está limitada por
la tasa de alimentación. En la Figura 27 los valores de X, S y P se grafican contra T para un
cambio de Discontinuo (F = 0) a Discontinuo Incrementado (F = 5) en el tiempo T = 20 h. La tasa
de producción del producto P depende linealmente de la concentración de biomasa e incluso
cuando alcanza un valor muy bajo P continuará incrementándose linealmente en cantidades
de mg/m3.

5.3 Dinámica de Población Presa-Depredador en un Quimiostato (MIXPOP)


El crecimiento de un cultivo mezclado en un Quimiostato, se describe como un proceso en el
cual el sustrato S se consume por el organismo X1 (la presa), mientras que la especie X2 (el
depredador) se alimenta del organismo X1 (Figura 29). El modelo de ese sistema involucra
balances en el Quimiostato para cada especie, con su correspondiente cinética y las ecuaciones
que lo conforman son las siguientes:

37
Figura 27 Comportamiento transitorio durante el Cultivo Discontinuo Incrementado

Figura 28 Zoom en la zona de Estado Cuasi-Estacionario


38
A partir de esas ecuaciones se escribe el siguiente Modelo en Berkeley Madonna:
{MIXPOP}
{CONTINUOUS CULTURE OF A PREDATOR-PREY POPULATION
Los símbolos y unidades están en el libro de referencia[1] .}
{Constantes}
D=0.04
SFEED=100
Y1=0.14
39
Y2=0.5
UM1=0.5
UM2=0.49
K1=10
K2=10
X10=1
X20=1
S0=10
{Valores Iniciales}
init X1=X10
init X2=X20
init S=S0
{Cinética}
U1=UM1*S/(K1+S)
U2=UM2*X1/(K2+X1)
{Balances de Materia}
d/dt(S)=D*(SFEED-S)-U1*X1/Y1
d/dt(X1)=U1*X1-U2*X2/Y2-D*X1
d/dt(X2)=U2*X2-D*X2

Los resultados de la Simulación del sistema estable en Estado Estacionario se muestran (Figura
29) para µm1 = 0.5 y µm2 = 0.11. El comportamiento del Sistema puede ser oscilatorio si las tasas
específicas de crecimiento se toman muy cercanas, por ejemplo µm1 = 0.5 y y µm2 = 0.49, según
se aprecia en la Figura 30.

Figura 29 Estado Estacionario Estable para µm1 = 0.5 y µm2 = 0.11.


40
Figura 30 Estado oscilatorio (µm1 = 0.5 y µm2 = 0.49).

Otra forma de ver las oscilaciones es mediante un Diagrama de Fases, o sea graficando la
variable Xi versus X2 (Figura 31):

Figura 31 Diagrama de Fases de las Oscilaciones

41
6. Estudios de Casos de Simulación de Procesos Biotecnológicos
6.1 Introducción
Se estudiarán, como Estudios de Caso, tres investigaciones experimentales y de simulación,
publicadas en revistas científicas de primera visibilidad:
1. Formation in Continuous Recycle Membrane Reactors (CRMR) [6].
2. Experimental and modeling study of a membrane filtration process using ceramic
membranes to increase retroviral pseudotype vector titer [7]
3. Experimental and modelling study of different process modes for retroviral production in a
fixed bed reactor [5]
En los tres artículos se utilizó el mismo enfoque: desarrollar el modelo matemático utilizando el
Simulador STELLA y posteriormente ampliar el modelo y efectuar ajustes de parámetros, análisis
de sensibilidad y optimización con el Simulador Numérico Berkeley Madonna, como
complemento a las corridas experimentales.
A continuación se detallará, a manera de ejemplo, uno de los tres Estudios de Casos. Los otros
dos serán desarrollados en la Clase Práctica.
6.2 Formación de Galacto - Oligosacáridos en Reactores Continuos de Membrana con Reciclo
Los Galacto-oligosacáricos (GOS por sus siglas en inglés) se pueden producir con enzimas
nativas en Reactores Continuos de Membrana con Reciclo (CRMR por sus siglas en inglés), o
con enzimas inmovilizadas en Reactores de Flujo Pistón con Cama Empacada (PFBR por sus
siglas en inglés. En el Estudio de Caso considerado [6] se implementó un modelo simple de tres
constantes cinéticas, que se utilizó para definir las condiciones óptimas de operación que
permitieran obtener un alto rendimiento de GOS. El rendimiento y productividad obtenidos en los
experimentos realizados con CRMR, estuvieron en concordancia con los resultados obtenidos
en las simulaciones. Con esa base, se realizaron corridas de simulación de la producción de
GOS para evaluar el uso de diferentes conformaciones experimentales: un CRMR, dos CRMR
en serie y un CRMR acoplado con una Cromatografía de Capa Móvil Simulada (SMBC por sus
siglas en inglés) para la recirculación continua de lactosa. Los resultados obtenidas en las
simulaciones se comprobaron con los resultados experimentales se obtuvo que con un CRMR
se produce 89% más GOS que el reportado en la literatura para las enzimas inmovilizadas en
PFBR. Además se comprobó que dos CRMR acoplados en serie producen un 25% más GOS
que un CRMR y que un CRMR acoplado con SMBC para el reciclo continuo de lactosa, logró un
rendimiento de GOS 45% más alto. En resumen los resultados obtenidos prueban la factibilidad
y ventajas de producir GOS con enzimas nativas en un CRMR o dos CRMR en serie, con o sin
recirculación de lactosa.
Los experimentos se realizaron con un CRMR (Figura 32, izquierda) y con dos CRMR en serie
(Figura 32, derecha). Se desarrollo el modelo matemático para un CRMR y para dos CRM y los
coeficientes del modelo se ajustaron a partir de los datos experimentales. Como base para el

42
modelo se tomó un mecanismo simple de tres constantes(Figura 33) [1] y se desarrolló el modelo
en STELLA.

Figura 32 Reactor enzimático acoplado con membrana (izquierda); Dos reactores enzimáticos en serie (derecha)
A partir de este mecanismo sencillo, se
desarrolló el modelo en Stella, cuyo
sector para la cinética de la formación de
GOS se muestra a manera de ejemplo
(Figura 34, izquierda) y finalmente se

Figura 33 Modelo cinético obtención de GOS a partir de lactosa

obtuvo el sistema de ecuaciones diferenciales y algebraicas


(Figura 34, derecha) que se llevó al Simulador Numérico
Madonna, para los ajustes de curva y corridas de simulación

con diferentes configuraciones de reactores.

43
Figura 34 Sector Cinética de Formación de GOS del modelo en STELLA (izquierda) y conjunto de ecuaciones del
modelo (derecha)

Para optimizar los parámetros cinéticos del


modelo de formación de oligosacáridos, se
usó la opción “Curve Fit” de Berkeley
Madonna. A partir de los coeficientes
ajustados, las concentraciones de GOS al
final de las corridas del modelo coincidieron
arrojaron valores muy cercanos a los
obtenidos en los experimentos, lo que
justifica el uso del modelo simplificado para
definir las condiciones óptimas de
operación. Se utilizó entonces la
Figura 35 Comparación de resultados experimentales y de
Herramienta de Optimización de Berkeley
simulación, con 200 g/L concentración inicial de Lactosa y
Madonna y se obtuvo que mejores
0.5 horas de tiempo de residencia
resultados se obtiene con un
lactose concentration
funcionamiento andcomo
inicial 0.5 hour residence
Cultivo time
Discontinuo, entre 10 y 30 minutos. Se obtuvo además que
la Concentración Inicial de Lactosa es el factor que más influye en la formación de GOS, ya que
mientras mayor es dicha concentración inicial, mayor es la productividad volumétrica y el
rendimiento del GOS. Además, teniendo en cuenta la importancia del parámetro Tiempo de
Residencia, se realizó una evaluación de su efecto en la concentración en peso de GOS (Figura
36) y su efecto en la productividad volumétrica del reactor (Figura 37). Como resultado final se
obtuvo que las mejores condiciones de operación se obtienen cuando se trabaja con la mayor
concentración inicial posible de lactosa (30% o mayor) y el menor tiempo de residencia (0.5 o
menos), limitado solamente por consideraciones de las posibilidades de flujo de las membranas
y por consideraciones económicas globales del proceso, en lo relacionado con la concentración
de lactosa en la materia prima.

44
Finalmente se estudió
experimentalmente y por
simulación, el funcionamiento de
dos reactores de membrana en
serie, para compararlos con los
resultados de un reactor y se
evaluó también el efecto de la
recirculación total de lactosa. Los
resultados finales del estudio
experimental y de simulación se
muestran en la Tabla 4.

Figura 36 Gráfico paramétrico para determinar la influencia del


tiempo de residencia en el rendimiento de GOS

45
Figura 37 Gráfico paramétrico para determinar influencia del tiempo de residencia en la productividad
Tabla 4 Experimental GOS Yield and Productivity by Various System Configurations

46
Referencias Bibliográficas de los Artículos

[1] I. J. Dunn, E. Heinzle, J. Ingham, and J. E. Prenosil, Biological Reaction Engineering, 2a.
Edicion. Weinheim: WILEY-VCH Verlag GmbH, 2003.
[2] Almudena Ancon Martin, “Desarrollo de Modelos Cinéticos para Bioprocesos: Aplicación a la
Producción de Xantano,” Tesis de Doctorado, Universidad Complutense de Madrid, Madrid,
1999.
[3] H. R. Bungay, A. E. Humphrey, and G. T. Tsao, “Biochemical Engineering,” in Perrys
Chemical Engineering Handbook, 7a. Edicion., New York: McGraw Hill Co. Inc., 1999, p. 22.
[4] Bruce Hannon and Matthias Ruth, Dynamic Modeling of Diseases and Pests. New York:
Springer Science, 2009.
[5] Dirk Nehring, Roberto González, Ralf Protner, and Peter Czermak, “Experimental and
modelling study of different process modes for retroviral production in a fixed bed reactor,” J.
Biotechnol., no. 122, pp. 239–253, 2006.
[6] Roberto González, Mehrdad Ebrahimi, and Peter Czermak, “Experimental and Modeling
Study of Galactosyl-Oligosaccharides Formation in Continuous Recycle Membrane
Reactors (CRMR),” Open Food Sci. J., no. 3, pp. 1–9, 2013.
[7] Dirk Nehring, Roberto González, Ralf Protner, and Peter Czermak, “Experimental and
modeling study of a membrane filtration process using ceramic membranes to increase
retroviral pseudotype vector titer,” J. Membr. Sci., no. 237, pp. 25–38, 2004.

47

Anda mungkin juga menyukai