SlideShare uma empresa Scribd logo
1 de 6
Baixar para ler offline
Red de Revistas Científicas de América Latina, el Caribe, España y Portugal

Sistema de Información Científica

A. I. Cabrera Llanos, M. G. Ramírez Sotelo
Sensores suaves en procesos biotecnológicos
Superficies y vacío, vol. 20, núm. 2, junio, 2007, pp. 1-5,
Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales A.C.
México
Disponible en: http://www.redalyc.org/articulo.oa?id=94220201

Superficies y vacío,
ISSN (Versión impresa): 1665-3521
alex@fis.cinvestav.mx
Sociedad Mexicana de Ciencia y Tecnología de
Superficies y Materiales A.C.
México

¿Cómo citar?

Fascículo completo

Más información del artículo

Página de la revista

www.redalyc.org
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales

Superficies y Vacío 20(2),1-5, junio de 2007

Sensores suaves en procesos biotecnológicos
A. I. Cabrera Llanos, M. G. Ramírez Sotelo
Unidad Profesional Interdisciplinaria de Biotecnología del IPN
Barrio La Laguna Ticoman s/n, GAM, C. P. 07340 México D. F.
(Recibido: 18 de marzo de 2007; Aceptado: 9 de mayo de 2007)

Se describe el desarrollo de un sensor virtual o suave aplicado a la estimación de las variables de un proceso de
fermentación en lote alimentado para el cultivo de Sacharomyces cereviseae. Se desarrolla el algoritmo del estimador
basado en redes neuronales diferenciales también llamado neuro-observador, se detallan los elementos que lo conforman y
los resultados obtenidos al aplicarlo a una base de datos de dos experimentos de fermentación, con duración de 24 horas
cada uno, finalmente se comparan la evolución temporal de las variables estimadas como la concentración de biomasa y la
concentración de trehalosa en contra de las variables en una base de datos para determinar el desempeño del neuroobservador.
Palabras clave: Sensor suave; Redes neuronales diferenciales; Procesos de Fermentación en lote alimentado;
Sacharomyces cereviseae
In this paper we describe the virtual sensor or soft sensor applied to the fed batch fermentation process estimation with
Sacharomyces cerevisiae yeast culture. The algorithm based on the differential neural networks is developed and this
algorithm is called neuro-observer. The details for this structure are described and the application on the data for two
fermentation process during a period of 24 hours of evolution of each one. Finally the estimate variables (biomass
concentration and trehalose concentration) are compared versus the measured variables evolution to show the neuroobserver performance.
Keywords: Soft sensor; Differential neural networks; Fed batch fermentation process; Sacharomyces cereviseae

proceso [5], a este tipo de métodos se les denomina de caja
negra cuando no es posible acceder al conocimiento del
modelo, de otra manera recibirán el nombre de caja gris y
caja blanca cuando se tiene conocimiento parcial y total del
modelo respectivamente, las redes neuronales permiten
obtener un aproximado de un proceso cuando es
considerado como caja negra [6], por lo cual no dependen
de la modelación que se realice del proceso.
En este artículo presentamos el desarrollo de un sensor
suave aplicado a la medición de variables de un proceso de
fermentación en lote alimentado donde se describen las
variables de concentración de biomasa, concentración de
sustrato, concentración de trehalosa y el volumen en el
fermentador; estas variables representan la evolución
dinámica del sistema y determinan su desempeño, sin
embargo, la determinación de las concentraciones
indicadas se hace de manera muestral, el objetivo de este
trabajo consiste en el desarrollo de un sensor en línea [7],
con la base de datos de algunas de las variables, que estime
la evolución de aquellas variables que no pueden ser
medidas en forma directa, para llevar a cabo este objetivo
se usa la técnica de redes neuronales diferenciales [3] con
la que se desarrolla un sistema estimador llamado neuroobservador. De esta manera, en la sección siguiente se
describe el modelo del proceso de fermentación en lote
alimentado para un cultivo de Sacharomyces cereviseae,
así como, el método de estimación por medio de las redes
neuronales diferenciales.

1. Introducción
El desarrollo de la instrumentación moderna ha venido
creciendo a partir de los diferentes tipos de sensores que
aparecen día a día en el mercado, la mayoría de estos
reproducen con mayor calidad las señales censadas y
describen en rangos lineales más amplios las variaciones de
las señales a censar, por otra parte esto requiere de un
mejor soporte del sistema de interfaz con la conexión de
medición en tiempo real. Estos sistemas presentan dos
problemas, uno la posibilidad de que la medición de alguna
variable no pueda realizarse en forma física y otro que el
costo se incrementa ya que se considera tanto el sistema de
medición como de los sensores.
Una nueva alternativa para el censo de variables, se
presenta con el desarrollo de los llamados sensores suaves
o virtuales, estos son sensores que determinan la variación
de las variables a partir de un algoritmo de computación y
mediante el uso de una base de datos tomados de un
proceso en particular [1], [2]. Estos sensores consideran
que la evolución dinámica de todas las variables guarda
una estrecha relación con respecto a cada una de las
variables y con la evolución total del proceso, así que al
conocer alguna de ellas se puede estimar el valor de
cualquier otra [1].
Por otra parte, el proceso de identificación y estimación
permiten reducir ruido y algunos efectos no deseables en
las mediciones del proceso [3], [4]. La razón fundamental
por la cual se utilizan métodos basados en redes
neuronales, es debido a que estas técnicas pueden utilizarse
sin la necesidad del conocimiento de un modelo del
1
©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales

Superficies y Vacío 20(2),1-5, junio de 2007

2. Metodología

A
A

**

En esta sección se describe el modelo del fermentador en
lote alimentado, el cual será usado para entrenar a la red
neuronal, también se describe el algoritmo de estimación
basados en redes neuronales diferenciales llamado neuroobservador, donde se detallan sus características. La
metodología consistió en la toma de muestras de un
proceso de fermentación de Saccharomyces cerevisiae,
para tres corridas experimentales en el proceso de
fermentación de producción de levadura, llevado a cabo
con una duración de 24 horas cada uno. Los datos
obtenidos en forma convencional (mediante la toma de
muestras, pesado del material celular, etc), fueron
utilizados para formar una base de datos para cada uno de
los experimentos. Como experimento testigo; se procedió a
diseñar el neuro-observador para el proceso, tomando en
cuenta que las únicas variables a medir fueron la
concentración de sustrato y el volumen del medio, con
estas consideraciones se llevo a cabo la estimación de la
concentración de biomasa y concentración de trehalosa por
medio del neuro-observador, los resultados fueron
comparados con los datos experimentales de la base ya
formada.

W1 1
W

σ
σ

**
W2 2
W

ϕ
ϕ
EXTERNAL WEIGHTS

**

+

u(t)
u(t)

⌠
⌡

x(t)

K11
K
e(t)
e(t)

CORRECTION TERMS

**
K2 2
K

Sign(e(t))
Sign(e(t))

**

Figura 1. Diagrama a bloques del Neuro-observador.
25
Concentración de Biomasa
Concentración de Sustrato
Volumen
Concentración de Trehalosa

Concentración (g/l)

20

15

2.1 Modelo del Biorreactor

10

Las variables del fermentador en lote alimentado son
descritas [8], [9] por las ecuaciones:
⋅

X = (μ − X )D

5

⋅

S = − Yx1/ s μ X + D( Sin − S )

0

(1)

⋅

0

5

10

15

20

V = DV − Fout

25

Tiempo (hr)

donde X es la concentración de biomasa en el biorreactor y
en el medio; S es la concentración de sustrato de
alimentación en el biorreactor y en el medio; Sin es la

Figura 2. Concentración de Biomasa (X), concentración de sustrato (S),
volumen en el medio (V) y concentración de trehalosa intracelular (wT)
medidas experimentalmente en el primer proceso de producción de
levadura.

concentración de sustrato en el medio entrante;

Concentración de Biomasa (g/l)

25

es el

flujo saliente del biorreactor; μ la razón de crecimiento
especifico para el microorganismo; Yx / s el coeficiente de

Concentración de Biomasa
Concentración de Biomasa Estimada

20

Fout

consumo de sustrato por la biomasa y V es el volumen en el
biorreactor.
Para la razón de crecimiento especifico μ se considero un
proceso en el cual se describe este coeficiente en función
de

15

10

⎛

S ⎞
⎟
Ks + S ⎠
⎝

5

μ = μm ⎜

(2)

0
5

10

15

20

25

donde μm la velocidad especifica de crecimiento máxima;
K s es la constante de saturación a la fuente de carbono.

Tiempo (hr)

Figura 3. Concentración de Biomasa (X) y concentración de Biomasa (X)
estimada mediante el neuro-observador en el primer proceso de
producción de levadura.

2
©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales

Superficies y Vacío 20(2),1-5, junio de 2007

2.2 Redes Neuronales Diferenciales

Concentración de Trehalosa (g/l)

14

La técnica de Redes Neuronales Diferenciales es un
algoritmo matemático que permite desarrollar
procedimientos para la identificación de un proceso, así
como el desarrollo de estimadores en línea [10]. Esta
técnica se basa en el supuesto de que un sistema de tipo no
lineal como el modelo mostrado en (1), en forma general
puede describirse por medio de la expresión

12

10

8

6

⋅

4

xt = f ( xt , ut , t )
yt = C0 xt

Concentración de Trehalosa
Concentración de Trehalosa Estimada

2

(3)

0
5

10

15

20

25

es el vector de estado , yt es la salida del
sistema la cual se considera una combinación lineal del
vector de estado dado por C0 ∈ℜ p×n , ut ∈ℜ p es la señal
donde

Tiempo (hr)

Figura 4. Concentración de Trehalosa (wT) y concentración de trehalosa
estimada (wT) mediante el neuro-observador en el primer proceso de
producción de levadura.

xt ∈ℜn

de control que se aplica al sistema. Suponemos que para
este sistema existe un sistema estimador basado en las
redes neuronales diferenciales de la forma

14
12

&
ˆ
ˆ
ˆ
ˆ
ˆ
xt = Axt + W1, tσ ( xt ) + W2, tφ ( xt )γ ( ut ) + K t ( yt − yt ) (4)

Concentración (g/l)

10
8

ˆ
xt ∈ℜn es el vector de estimación de la red
neuronal diferencial, A representa la matriz estable de
Hurwitz, ut ∈ℜ p es la señal de control aplicada a la red
neuronal, W ∈ℜn×k es la matriz de pesos de la red,

donde

6
4
Concentración de Biomasa
Concentración de Sustrato
Volumen
Concentración de Trehalosa

2

1, t

W2, t ∈ℜn×k es la matriz de pesos para la señal de control

0
0

5

10

15

20

25

en la red, K t representa la matriz del observador de tipo
Luenberger. Las funciones de activación σ ( xt ) y φ ( xt )
ˆ
ˆ

30

Tiempo (hr)

son consideradas campos vectoriales de tipo sigmoidal y
transformaciones σ ( xt ) : ℜ n → ℜ k y φ ( xt ) : ℜn → ℜr×s
respectivamente, de la forma

Figura 5. Concentración de Biomasa (X), concentración de sustrato (S),
volumen en el medio (V) y concentración de trehalosa intracelular (wT)
medida experimentalmente en el segundo proceso de producción de
levadura.

σ i ( x ) = ai (1 + e − b x

i i

Concentración de Biomasa (g/l)

12

10

)

−1

− ci

(5)

y para la función de la señal de entrada

8

)p

−1

− ∑ b jj xi ⎞
) ⎛
)
⎟ − ci
φ jj ( x) = a i ⎜1 + e p
⎜
⎟
⎝
⎠

6

4

Concentración de Biomasa
Concentración de Biomasa Estimada

de tal forma que la red neuronal es clasificada como de tipo
Hopfield. La estructura de esta red se muestra en la figura
No. 1.
La condición en la señal de entrad ut se asume que se

2

0
5

10

15

20

25

(6)

30

encuentra acotada de tal forma

Tiempo (hr)

ut

2

≤u

.

Considerando lo anteriormente descrito se puede enunciar
una ley de aprendizaje [10] o actualización para las
matrices de peso dada por

Figura 6. Concentración de Biomasa (X) y concentración de Biomasa
Estimada (X) mediante el neuro-observador en el segundo experimento de
producción de levadura.

3
©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales

Superficies y Vacío 20(2),1-5, junio de 2007

Concentración de Trehalosa (g/l)

concentración de trehalosa, un producto que no es obtenido
en forma directa, ya que se debe hacer crecer el
microorganismo y después extraer el producto moliéndolo.

Concentración de Trehalosa
Concentracion de Trehalosa Estimada

14

12

2.3 Características del Fermentador
10

Todos los experimentos fueron llevados a cabo con un
cultivo de levadura comercial [11]. El microorganismo fue
aislado para obtener la célula colonizante, así fue
identificado como Saccharomyces cerevisiae. El medio de
cultivo fue mantenido a condiciones de (glucosa de 20 g L1, extracto de levadura de 10 g L-1, agar-agar 20 g L-1) a
4ºC. El fermentador utilizado fue de 15 L de la marca
Applikon Z81315 M607. Las condiciones experimentales
fueron: temperatura de 30ºC, pH=5.0, flujo de aire de 450
L h-1, oxigeno disuelto al 10 % del valor de saturación de
(0.8 mgO2 L-1 ca). El pH del cultivo fue controlado con
amoniaco con agua (20 % v/v) y esta solución fue la fuente
de nitrógeno del cultivo. Para la parte de lote alimentado el
flujo de glucosa para el biorreactor estaba en relación con
el coeficiente de respiración (RQ), el cual fue calculado de
los datos de la composición del gas que fluía. La
concentración de glucosa fue considerada en valores
mínimos o cercanos a cero para el líquido de trabajo del
biorreactor con la finalidad de minimizar la producción de
alcohol.

8

6

4

2

0
5

10

15

20

25

Tiempo (hr)

Figura 7. Concentración de Trehalosa (wT) y concentración de trehalosa
estimada (wT) mediante el neuro-observador en el segundo proceso de
producción de levadura.
⋅

ˆ
W 1, t = − ( Γ1, t + δ Γ 2, t ) ⎡W1, t − W1∗ ⎤ σ ( xt )σ ( xt ) − M 1, t
⎣
⎦ ˆ
⋅

W 2, t = − γ ( ut )

T

2

(Γ

1, t

ˆ
+ δ Γ 2, t ) ⎡W2, t − W ⎤ φ ( xt )φ ( xt ) − M 2, t
⎣
⎦ ˆ
∗
2

(7)

T

W1, 0 = W1∗ ; W2, 0 = W2∗

donde
Γ1, t = ( PN −T C0+ )( Λ −1 )( C0+T N −1P )
ΔC
Γ 2, t = PN −T N −1P
)
)
T
M 1, t = 2 PN −T σ xt C0 xt − yt C0+
)
)
M 2, t = 2 PN −T φ xt γ ( ut ) C0 x t − yt

( )(
( )

3. Resultados.
(8)
La figura 2 muestra la evolución de todas las variables en
el fermentador, en este caso se realizo la medición en
forma de toma de muestras de las concentraciones de
biomasa y trehalosa, con lo que se construyo la base para
comprobar la eficiencia del neuro-observador. Los estados
estimados por el neuro-observador son mostrados en la
figura 3, para la biomasa en donde se observa su
correspondencia con los datos medidos, cabe señalar que el
neuro-observador
reprodujo
estas
evoluciones
considerando la evolución de sólo los datos de la base
como la concentración de sustrato y volumen en el medio y
en la evolución de las variables se considera que los datos
se reproducen como si fueran tomados en línea. La caída en
la concentración de sustrato al final de tres horas del
proceso de crecimiento de levadura produce un incremento
en la trehalosa citoplasmática como se muestra en las
figuras 2 y 4. Este resultado es reproducido por el
estimador mostrando las curvas de los estados no medidos,
es decir, concentración de trehalosa, se observa que las
trayectorias se asemejan entre sí, mostrando la efectividad
del neuro-observador en la estimación de este estado. Se
debe recalcar que la variable de concentración de trehalosa
no se encuentra definida dentro del modelo (1), que sirvió
para el entrenamiento de la red, sin embargo, en el proceso
de estimación entrega la evolución del estado. La
repetibilidad del proceso se comprueba en la estimación
que realiza el neuro-observador del segundo experimento
de crecimiento de levadura, de una manera análoga el
resultado para este proceso muestra tanto los estados

)

(

)

T

C0+

donde N = C T ( C T )+ siendo la notación del signo +, denota
0
0
la pseudos- inversa de Penrose, P es una matriz simétrica
obtenida al resolver al ecuación de Riccati dado por
PA + AT P + PR0 P + Q0 = 0

(9)

Por medio del anterior algoritmo se determinan los
cambios de los pesos de tal manera que se ajustan a las
variables del proceso estudiado, para elegir el estado para
ser estimado (aquel que no puede ser medido directamente)
usando los datos de los estados que si pueden ser medidos,
se elige la forma de la matriz C0 . Por otro lado, el ajuste de
la constante K t se lleva a cabo mediante el proceso de
ensayo y error y mediante la relación.
T
K t = P −1C0 Λ −1
ΔC

(10)

de esta manera el sistema es ajustado, en este articulo
realizamos el ajuste mediante el uso del modelo mostrado
en la sección anterior, posteriormente se utilizo la base de
datos reales del proceso y se procedió a estimar dos
variables, en este caso la concentración de biomasa y la
4
©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales

Superficies y Vacío 20(2),1-5, junio de 2007

medidos en forma experimental como los estados
estimados figuras 5 , 6 y 7, donde los estados estimados se
encuentran muy cercanos a la evolución de los estados
experimentales proporcionando un error entre mediciones
menor al 2%; en este caso las condiciones de la
fermentación son diferentes y las evoluciones son también
diferentes, sin embargo, el neuro-observador omite estas
diferencias y estima los estados no medidos con igual
exactitud.

Agradecimientos
Los autores agradecemos a la SEPI-IPN, COFAA por el
apoyo a través de los proyectos para la realización de este
trabajo.
Referencias
[1] J. de A Adilson, R. M. F., Soft sensors development for online bioreactor state estimation, Computers and Chemical
Engineering, 24, 1099 (2000).
[2] L. Fortuna, S. Grazini, Soft sensors for monitoring and control
of industrial processes, 1st ed. (New York, Springer, 2006).
[3] A. Cabrera, A. Poznyak, T. Poznyak, J. Aranda, Identification
of a fed batch fermentation process: comparison of computational
and laboratory experiments, Bioprocess and Biosystems
Engineering, 24, 319 (2002).
[4] O. Sotomayor, S. W. P., Software sensor for on-line
estimation of the microbial activity in activated sludge systems,
The instrumentation, systems, and automation society, 41, 127
(2001).
[5] L. Hudson, Neural Network and artificial intelligence for
biomedical engineering, (Wiley-IEEE Press, 2000).
[6] S. Haykin, Neural Networks: A comprehensive Foundation.
New York, (New York, Cambridge University Press, 1994).
[7] A. V. W. Ph. Bogaerts, Parameter identification for state
estimation - application to bioprocess software sensor, Chemical
Engineering Science, 59, 2465 (2004).
[8] B. McNeil,. L. M. Harvey, Fermentation a Practical Approach.
(New York, IRL Press, 1990).
[9] N. G. McDuffie, Biorreactor Design. (Oxford,ButterworthHeinemann., 1991).
[10] A. S. Poznyak, E.N. Sanchez and W. Yu, Dynamic Neural
Networks for Nonlinear Control: Identification, State Estimation
and Trajectory Tracking. 1 st ed. (New Jersey, World Scientific,
2001).
[11] J. S. Aranda, E. Salgado and P. Taillandier, Biochem. Eng.
J., 17, 129 (2004)
.

4. Conclusiones
El sistema neuro-observador realiza una estimación de
las variables muy cercanas a las de la base de datos,
determina la variable que no puede ser medida por medios
directos en línea. Este tipo de sensor puede ser utilizado en
sistemas donde la medición de una variable sea difícil de
realizar o bien en sistemas cuyo modelo matemático sea
complejo, permitiendo establecer una medición virtual de
las variables mediante los datos de entrada y salida al
proceso. Este trabajo puede servir de base para la
realización de sensores virtuales en diferentes campos de
investigación.

5

Mais conteúdo relacionado

Destaque

Fisiopatología de los líquidos corporales y terapia hídrica
Fisiopatología de los líquidos corporales y terapia hídricaFisiopatología de los líquidos corporales y terapia hídrica
Fisiopatología de los líquidos corporales y terapia hídricaEllis Guel
 
Base de datos
Base de datosBase de datos
Base de datosjusude
 
Recargaplus
RecargaplusRecargaplus
Recargaplusheliobb
 
Medios tic los animales
Medios tic los animalesMedios tic los animales
Medios tic los animalesgadillanas
 
Normas de comportamiento en pista
Normas de comportamiento en pistaNormas de comportamiento en pista
Normas de comportamiento en pistameletya66
 
Slideshare power point
Slideshare power pointSlideshare power point
Slideshare power pointestoespaverlo2
 
Max la menace
Max la menaceMax la menace
Max la menacepeaurare
 
tarea de tic-Utilizar plantillas
tarea de tic-Utilizar plantillastarea de tic-Utilizar plantillas
tarea de tic-Utilizar plantillasFelipe Lopez
 
Tarea 1 Blanca Ayerve
Tarea 1 Blanca Ayerve Tarea 1 Blanca Ayerve
Tarea 1 Blanca Ayerve 19Blanca
 
Projeto vamos cuidar do meio ambiente?
Projeto vamos cuidar do meio ambiente?Projeto vamos cuidar do meio ambiente?
Projeto vamos cuidar do meio ambiente?Daisymelo
 

Destaque (19)

Fisiopatología de los líquidos corporales y terapia hídrica
Fisiopatología de los líquidos corporales y terapia hídricaFisiopatología de los líquidos corporales y terapia hídrica
Fisiopatología de los líquidos corporales y terapia hídrica
 
Tabla servicios
Tabla serviciosTabla servicios
Tabla servicios
 
Base de datos
Base de datosBase de datos
Base de datos
 
Recargaplus
RecargaplusRecargaplus
Recargaplus
 
Medios tic los animales
Medios tic los animalesMedios tic los animales
Medios tic los animales
 
Normas de comportamiento en pista
Normas de comportamiento en pistaNormas de comportamiento en pista
Normas de comportamiento en pista
 
Prova amarela 2011
Prova amarela   2011Prova amarela   2011
Prova amarela 2011
 
Apresentação1
Apresentação1Apresentação1
Apresentação1
 
Slideshare power point
Slideshare power pointSlideshare power point
Slideshare power point
 
Trabajo de informatica
Trabajo de informaticaTrabajo de informatica
Trabajo de informatica
 
Plumas c
Plumas cPlumas c
Plumas c
 
Bem vindo
Bem vindoBem vindo
Bem vindo
 
Max la menace
Max la menaceMax la menace
Max la menace
 
tarea de tic-Utilizar plantillas
tarea de tic-Utilizar plantillastarea de tic-Utilizar plantillas
tarea de tic-Utilizar plantillas
 
Realidad virtual
Realidad virtualRealidad virtual
Realidad virtual
 
Tarea 1 Blanca Ayerve
Tarea 1 Blanca Ayerve Tarea 1 Blanca Ayerve
Tarea 1 Blanca Ayerve
 
Faq Pg 2
Faq Pg 2Faq Pg 2
Faq Pg 2
 
Gin
GinGin
Gin
 
Projeto vamos cuidar do meio ambiente?
Projeto vamos cuidar do meio ambiente?Projeto vamos cuidar do meio ambiente?
Projeto vamos cuidar do meio ambiente?
 

Semelhante a Sensores suaves en procesos biotecnológicos

MACROINVERTEBRADOS
MACROINVERTEBRADOSMACROINVERTEBRADOS
MACROINVERTEBRADOSDRANCERBOY
 
LH750 manual de operacion - coulter
LH750   manual  de operacion - coulter LH750   manual  de operacion - coulter
LH750 manual de operacion - coulter Rolando Algarin
 
Informe n°01 analisis de secuencias 16 s- bq
Informe n°01   analisis de secuencias 16 s- bqInforme n°01   analisis de secuencias 16 s- bq
Informe n°01 analisis de secuencias 16 s- bqBrendaQuirper
 
Tema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.pptTema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.pptCristoferAlexanderNe
 
Tema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.pptTema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.pptDulceXimenaGonzalezH
 
Desarrollo de un método de control de calidad no destructivo de la madurez en...
Desarrollo de un método de control de calidad no destructivo de la madurez en...Desarrollo de un método de control de calidad no destructivo de la madurez en...
Desarrollo de un método de control de calidad no destructivo de la madurez en...Carlos Arenas
 
Sistema de medcions para transductores industriales
Sistema de medcions para transductores industrialesSistema de medcions para transductores industriales
Sistema de medcions para transductores industrialesmonse lara roman
 
CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...
CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...
CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...José Abraham Betancourt Moreno
 
Jose davila-presentacion-a5.pdf
Jose davila-presentacion-a5.pdfJose davila-presentacion-a5.pdf
Jose davila-presentacion-a5.pdfJoseDavila111
 
Maqueta nanodrop y electrofotometro
Maqueta nanodrop y electrofotometroMaqueta nanodrop y electrofotometro
Maqueta nanodrop y electrofotometrojuancarlos74381
 
Practica #7 Principios de Termodinámica F.I. U.N.A.M.
Practica #7 Principios de Termodinámica F.I. U.N.A.M.Practica #7 Principios de Termodinámica F.I. U.N.A.M.
Practica #7 Principios de Termodinámica F.I. U.N.A.M.Rodrigo Esquivel Bejarano
 
Maqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometroMaqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometroKarenOriflame
 
Maqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometroMaqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometroDiegoFlores666837
 

Semelhante a Sensores suaves en procesos biotecnológicos (20)

MACROINVERTEBRADOS
MACROINVERTEBRADOSMACROINVERTEBRADOS
MACROINVERTEBRADOS
 
Comunicacion cientifica
Comunicacion cientificaComunicacion cientifica
Comunicacion cientifica
 
LH750 manual de operacion - coulter
LH750   manual  de operacion - coulter LH750   manual  de operacion - coulter
LH750 manual de operacion - coulter
 
Informe n°01 analisis de secuencias 16 s- bq
Informe n°01   analisis de secuencias 16 s- bqInforme n°01   analisis de secuencias 16 s- bq
Informe n°01 analisis de secuencias 16 s- bq
 
Tema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.pptTema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.ppt
 
Cuantificación de totales.ppt
Cuantificación de totales.pptCuantificación de totales.ppt
Cuantificación de totales.ppt
 
Tema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.pptTema 8.1 Cuantificación de totales.ppt
Tema 8.1 Cuantificación de totales.ppt
 
Desarrollo de un método de control de calidad no destructivo de la madurez en...
Desarrollo de un método de control de calidad no destructivo de la madurez en...Desarrollo de un método de control de calidad no destructivo de la madurez en...
Desarrollo de un método de control de calidad no destructivo de la madurez en...
 
Sistema de medcions para transductores industriales
Sistema de medcions para transductores industrialesSistema de medcions para transductores industriales
Sistema de medcions para transductores industriales
 
Quimiometria principiantes
Quimiometria  principiantesQuimiometria  principiantes
Quimiometria principiantes
 
CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...
CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...
CÁLCULO DE DENSIDADES DE MEZCLAS USANDO MODELOSHÍBRIDOS DE REDES NEURONALES A...
 
Jose davila-presentacion-a5.pdf
Jose davila-presentacion-a5.pdfJose davila-presentacion-a5.pdf
Jose davila-presentacion-a5.pdf
 
Maqueta nanodrop y electrofotometro
Maqueta nanodrop y electrofotometroMaqueta nanodrop y electrofotometro
Maqueta nanodrop y electrofotometro
 
Presentacion proyecto
Presentacion proyectoPresentacion proyecto
Presentacion proyecto
 
Arp
ArpArp
Arp
 
Comunicacion cientifica
Comunicacion cientifica Comunicacion cientifica
Comunicacion cientifica
 
Practica #7 Principios de Termodinámica F.I. U.N.A.M.
Practica #7 Principios de Termodinámica F.I. U.N.A.M.Practica #7 Principios de Termodinámica F.I. U.N.A.M.
Practica #7 Principios de Termodinámica F.I. U.N.A.M.
 
Maqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometroMaqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometro
 
Maqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometroMaqueta nanodrop y espectrofotometro
Maqueta nanodrop y espectrofotometro
 
ANÁLISIS DE SEÑALES BIOMÉDICAS
ANÁLISIS DE SEÑALES BIOMÉDICASANÁLISIS DE SEÑALES BIOMÉDICAS
ANÁLISIS DE SEÑALES BIOMÉDICAS
 

Último

Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023Ivie
 
Evaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdfDemetrio Ccesa Rayme
 
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacionUNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacionCarolVigo1
 
ficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primariaficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primariamichel carlos Capillo Dominguez
 
Recursos Tecnológicos, página AIP-CRT 2 0 2 4.pdf
Recursos Tecnológicos, página  AIP-CRT 2 0 2 4.pdfRecursos Tecnológicos, página  AIP-CRT 2 0 2 4.pdf
Recursos Tecnológicos, página AIP-CRT 2 0 2 4.pdfNELLYKATTY
 
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNOGALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNOJoseAmaya49
 
Los escritos administrativos, técnicos y comerciales
Los escritos administrativos, técnicos y comercialesLos escritos administrativos, técnicos y comerciales
Los escritos administrativos, técnicos y comercialeshanda210618
 
La poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didáctica
La poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didácticaLa poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didáctica
La poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didácticaIGNACIO BALLESTER PARDO
 
Presentación del tema: tecnología educativa
Presentación del tema: tecnología educativaPresentación del tema: tecnología educativa
Presentación del tema: tecnología educativaricardoruizaleman
 
CARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacionCARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacionCarolVigo1
 
Concurso de Innovación Pedagógica T3 FONDEP 2024 Ccesa007.pdf
Concurso de Innovación Pedagógica  T3  FONDEP 2024 Ccesa007.pdfConcurso de Innovación Pedagógica  T3  FONDEP 2024 Ccesa007.pdf
Concurso de Innovación Pedagógica T3 FONDEP 2024 Ccesa007.pdfDemetrio Ccesa Rayme
 
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAPROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAJoaqunSolrzano
 
21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdf
21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdf21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdf
21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdfceeabarcia
 
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfDemetrio Ccesa Rayme
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxJulioSantin2
 
Kirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 linkKirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 linkMaximilianoMaldonado17
 
Programación Anual 2024 - CIENCIAS SOCIALES.docx
Programación Anual 2024  - CIENCIAS SOCIALES.docxProgramación Anual 2024  - CIENCIAS SOCIALES.docx
Programación Anual 2024 - CIENCIAS SOCIALES.docxJhordanBenitesSanche1
 
Tarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docxTarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docxmiguelramosvse
 

Último (20)

Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023
 
Evaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C2 Secundaria Ccesa007.pdf
 
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacionUNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
 
ficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primariaficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primaria
 
Recursos Tecnológicos, página AIP-CRT 2 0 2 4.pdf
Recursos Tecnológicos, página  AIP-CRT 2 0 2 4.pdfRecursos Tecnológicos, página  AIP-CRT 2 0 2 4.pdf
Recursos Tecnológicos, página AIP-CRT 2 0 2 4.pdf
 
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNOGALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
GALATAS Y ROMANOS EXAMEN PARA LOS ALUMNO
 
EL PROCESO DE INVESTIGACIÓN CUALITATIVA. ENFERMERÍA
EL PROCESO DE INVESTIGACIÓN CUALITATIVA. ENFERMERÍAEL PROCESO DE INVESTIGACIÓN CUALITATIVA. ENFERMERÍA
EL PROCESO DE INVESTIGACIÓN CUALITATIVA. ENFERMERÍA
 
Los escritos administrativos, técnicos y comerciales
Los escritos administrativos, técnicos y comercialesLos escritos administrativos, técnicos y comerciales
Los escritos administrativos, técnicos y comerciales
 
La poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didáctica
La poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didácticaLa poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didáctica
La poesía del encarcelamiento de Raúl Zurita en el aula: una propuesta didáctica
 
Presentación del tema: tecnología educativa
Presentación del tema: tecnología educativaPresentación del tema: tecnología educativa
Presentación del tema: tecnología educativa
 
CARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacionCARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacion
 
Concurso de Innovación Pedagógica T3 FONDEP 2024 Ccesa007.pdf
Concurso de Innovación Pedagógica  T3  FONDEP 2024 Ccesa007.pdfConcurso de Innovación Pedagógica  T3  FONDEP 2024 Ccesa007.pdf
Concurso de Innovación Pedagógica T3 FONDEP 2024 Ccesa007.pdf
 
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAPROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
 
21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdf
21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdf21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdf
21 MARZO DIA INTERNACIONAL DOS BOSQUES.pdf
 
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptx
 
Kirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 linkKirpi-el-erizo libro descargar pdf 1 link
Kirpi-el-erizo libro descargar pdf 1 link
 
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍASITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
 
Programación Anual 2024 - CIENCIAS SOCIALES.docx
Programación Anual 2024  - CIENCIAS SOCIALES.docxProgramación Anual 2024  - CIENCIAS SOCIALES.docx
Programación Anual 2024 - CIENCIAS SOCIALES.docx
 
Tarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docxTarea 2 - Sociologia de la organizacion-1.docx
Tarea 2 - Sociologia de la organizacion-1.docx
 

Sensores suaves en procesos biotecnológicos

  • 1. Red de Revistas Científicas de América Latina, el Caribe, España y Portugal Sistema de Información Científica A. I. Cabrera Llanos, M. G. Ramírez Sotelo Sensores suaves en procesos biotecnológicos Superficies y vacío, vol. 20, núm. 2, junio, 2007, pp. 1-5, Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales A.C. México Disponible en: http://www.redalyc.org/articulo.oa?id=94220201 Superficies y vacío, ISSN (Versión impresa): 1665-3521 alex@fis.cinvestav.mx Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales A.C. México ¿Cómo citar? Fascículo completo Más información del artículo Página de la revista www.redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
  • 2. ©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales Superficies y Vacío 20(2),1-5, junio de 2007 Sensores suaves en procesos biotecnológicos A. I. Cabrera Llanos, M. G. Ramírez Sotelo Unidad Profesional Interdisciplinaria de Biotecnología del IPN Barrio La Laguna Ticoman s/n, GAM, C. P. 07340 México D. F. (Recibido: 18 de marzo de 2007; Aceptado: 9 de mayo de 2007) Se describe el desarrollo de un sensor virtual o suave aplicado a la estimación de las variables de un proceso de fermentación en lote alimentado para el cultivo de Sacharomyces cereviseae. Se desarrolla el algoritmo del estimador basado en redes neuronales diferenciales también llamado neuro-observador, se detallan los elementos que lo conforman y los resultados obtenidos al aplicarlo a una base de datos de dos experimentos de fermentación, con duración de 24 horas cada uno, finalmente se comparan la evolución temporal de las variables estimadas como la concentración de biomasa y la concentración de trehalosa en contra de las variables en una base de datos para determinar el desempeño del neuroobservador. Palabras clave: Sensor suave; Redes neuronales diferenciales; Procesos de Fermentación en lote alimentado; Sacharomyces cereviseae In this paper we describe the virtual sensor or soft sensor applied to the fed batch fermentation process estimation with Sacharomyces cerevisiae yeast culture. The algorithm based on the differential neural networks is developed and this algorithm is called neuro-observer. The details for this structure are described and the application on the data for two fermentation process during a period of 24 hours of evolution of each one. Finally the estimate variables (biomass concentration and trehalose concentration) are compared versus the measured variables evolution to show the neuroobserver performance. Keywords: Soft sensor; Differential neural networks; Fed batch fermentation process; Sacharomyces cereviseae proceso [5], a este tipo de métodos se les denomina de caja negra cuando no es posible acceder al conocimiento del modelo, de otra manera recibirán el nombre de caja gris y caja blanca cuando se tiene conocimiento parcial y total del modelo respectivamente, las redes neuronales permiten obtener un aproximado de un proceso cuando es considerado como caja negra [6], por lo cual no dependen de la modelación que se realice del proceso. En este artículo presentamos el desarrollo de un sensor suave aplicado a la medición de variables de un proceso de fermentación en lote alimentado donde se describen las variables de concentración de biomasa, concentración de sustrato, concentración de trehalosa y el volumen en el fermentador; estas variables representan la evolución dinámica del sistema y determinan su desempeño, sin embargo, la determinación de las concentraciones indicadas se hace de manera muestral, el objetivo de este trabajo consiste en el desarrollo de un sensor en línea [7], con la base de datos de algunas de las variables, que estime la evolución de aquellas variables que no pueden ser medidas en forma directa, para llevar a cabo este objetivo se usa la técnica de redes neuronales diferenciales [3] con la que se desarrolla un sistema estimador llamado neuroobservador. De esta manera, en la sección siguiente se describe el modelo del proceso de fermentación en lote alimentado para un cultivo de Sacharomyces cereviseae, así como, el método de estimación por medio de las redes neuronales diferenciales. 1. Introducción El desarrollo de la instrumentación moderna ha venido creciendo a partir de los diferentes tipos de sensores que aparecen día a día en el mercado, la mayoría de estos reproducen con mayor calidad las señales censadas y describen en rangos lineales más amplios las variaciones de las señales a censar, por otra parte esto requiere de un mejor soporte del sistema de interfaz con la conexión de medición en tiempo real. Estos sistemas presentan dos problemas, uno la posibilidad de que la medición de alguna variable no pueda realizarse en forma física y otro que el costo se incrementa ya que se considera tanto el sistema de medición como de los sensores. Una nueva alternativa para el censo de variables, se presenta con el desarrollo de los llamados sensores suaves o virtuales, estos son sensores que determinan la variación de las variables a partir de un algoritmo de computación y mediante el uso de una base de datos tomados de un proceso en particular [1], [2]. Estos sensores consideran que la evolución dinámica de todas las variables guarda una estrecha relación con respecto a cada una de las variables y con la evolución total del proceso, así que al conocer alguna de ellas se puede estimar el valor de cualquier otra [1]. Por otra parte, el proceso de identificación y estimación permiten reducir ruido y algunos efectos no deseables en las mediciones del proceso [3], [4]. La razón fundamental por la cual se utilizan métodos basados en redes neuronales, es debido a que estas técnicas pueden utilizarse sin la necesidad del conocimiento de un modelo del 1
  • 3. ©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales Superficies y Vacío 20(2),1-5, junio de 2007 2. Metodología A A ** En esta sección se describe el modelo del fermentador en lote alimentado, el cual será usado para entrenar a la red neuronal, también se describe el algoritmo de estimación basados en redes neuronales diferenciales llamado neuroobservador, donde se detallan sus características. La metodología consistió en la toma de muestras de un proceso de fermentación de Saccharomyces cerevisiae, para tres corridas experimentales en el proceso de fermentación de producción de levadura, llevado a cabo con una duración de 24 horas cada uno. Los datos obtenidos en forma convencional (mediante la toma de muestras, pesado del material celular, etc), fueron utilizados para formar una base de datos para cada uno de los experimentos. Como experimento testigo; se procedió a diseñar el neuro-observador para el proceso, tomando en cuenta que las únicas variables a medir fueron la concentración de sustrato y el volumen del medio, con estas consideraciones se llevo a cabo la estimación de la concentración de biomasa y concentración de trehalosa por medio del neuro-observador, los resultados fueron comparados con los datos experimentales de la base ya formada. W1 1 W σ σ ** W2 2 W ϕ ϕ EXTERNAL WEIGHTS ** + u(t) u(t) ⌠ ⌡ x(t) K11 K e(t) e(t) CORRECTION TERMS ** K2 2 K Sign(e(t)) Sign(e(t)) ** Figura 1. Diagrama a bloques del Neuro-observador. 25 Concentración de Biomasa Concentración de Sustrato Volumen Concentración de Trehalosa Concentración (g/l) 20 15 2.1 Modelo del Biorreactor 10 Las variables del fermentador en lote alimentado son descritas [8], [9] por las ecuaciones: ⋅ X = (μ − X )D 5 ⋅ S = − Yx1/ s μ X + D( Sin − S ) 0 (1) ⋅ 0 5 10 15 20 V = DV − Fout 25 Tiempo (hr) donde X es la concentración de biomasa en el biorreactor y en el medio; S es la concentración de sustrato de alimentación en el biorreactor y en el medio; Sin es la Figura 2. Concentración de Biomasa (X), concentración de sustrato (S), volumen en el medio (V) y concentración de trehalosa intracelular (wT) medidas experimentalmente en el primer proceso de producción de levadura. concentración de sustrato en el medio entrante; Concentración de Biomasa (g/l) 25 es el flujo saliente del biorreactor; μ la razón de crecimiento especifico para el microorganismo; Yx / s el coeficiente de Concentración de Biomasa Concentración de Biomasa Estimada 20 Fout consumo de sustrato por la biomasa y V es el volumen en el biorreactor. Para la razón de crecimiento especifico μ se considero un proceso en el cual se describe este coeficiente en función de 15 10 ⎛ S ⎞ ⎟ Ks + S ⎠ ⎝ 5 μ = μm ⎜ (2) 0 5 10 15 20 25 donde μm la velocidad especifica de crecimiento máxima; K s es la constante de saturación a la fuente de carbono. Tiempo (hr) Figura 3. Concentración de Biomasa (X) y concentración de Biomasa (X) estimada mediante el neuro-observador en el primer proceso de producción de levadura. 2
  • 4. ©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales Superficies y Vacío 20(2),1-5, junio de 2007 2.2 Redes Neuronales Diferenciales Concentración de Trehalosa (g/l) 14 La técnica de Redes Neuronales Diferenciales es un algoritmo matemático que permite desarrollar procedimientos para la identificación de un proceso, así como el desarrollo de estimadores en línea [10]. Esta técnica se basa en el supuesto de que un sistema de tipo no lineal como el modelo mostrado en (1), en forma general puede describirse por medio de la expresión 12 10 8 6 ⋅ 4 xt = f ( xt , ut , t ) yt = C0 xt Concentración de Trehalosa Concentración de Trehalosa Estimada 2 (3) 0 5 10 15 20 25 es el vector de estado , yt es la salida del sistema la cual se considera una combinación lineal del vector de estado dado por C0 ∈ℜ p×n , ut ∈ℜ p es la señal donde Tiempo (hr) Figura 4. Concentración de Trehalosa (wT) y concentración de trehalosa estimada (wT) mediante el neuro-observador en el primer proceso de producción de levadura. xt ∈ℜn de control que se aplica al sistema. Suponemos que para este sistema existe un sistema estimador basado en las redes neuronales diferenciales de la forma 14 12 & ˆ ˆ ˆ ˆ ˆ xt = Axt + W1, tσ ( xt ) + W2, tφ ( xt )γ ( ut ) + K t ( yt − yt ) (4) Concentración (g/l) 10 8 ˆ xt ∈ℜn es el vector de estimación de la red neuronal diferencial, A representa la matriz estable de Hurwitz, ut ∈ℜ p es la señal de control aplicada a la red neuronal, W ∈ℜn×k es la matriz de pesos de la red, donde 6 4 Concentración de Biomasa Concentración de Sustrato Volumen Concentración de Trehalosa 2 1, t W2, t ∈ℜn×k es la matriz de pesos para la señal de control 0 0 5 10 15 20 25 en la red, K t representa la matriz del observador de tipo Luenberger. Las funciones de activación σ ( xt ) y φ ( xt ) ˆ ˆ 30 Tiempo (hr) son consideradas campos vectoriales de tipo sigmoidal y transformaciones σ ( xt ) : ℜ n → ℜ k y φ ( xt ) : ℜn → ℜr×s respectivamente, de la forma Figura 5. Concentración de Biomasa (X), concentración de sustrato (S), volumen en el medio (V) y concentración de trehalosa intracelular (wT) medida experimentalmente en el segundo proceso de producción de levadura. σ i ( x ) = ai (1 + e − b x i i Concentración de Biomasa (g/l) 12 10 ) −1 − ci (5) y para la función de la señal de entrada 8 )p −1 − ∑ b jj xi ⎞ ) ⎛ ) ⎟ − ci φ jj ( x) = a i ⎜1 + e p ⎜ ⎟ ⎝ ⎠ 6 4 Concentración de Biomasa Concentración de Biomasa Estimada de tal forma que la red neuronal es clasificada como de tipo Hopfield. La estructura de esta red se muestra en la figura No. 1. La condición en la señal de entrad ut se asume que se 2 0 5 10 15 20 25 (6) 30 encuentra acotada de tal forma Tiempo (hr) ut 2 ≤u . Considerando lo anteriormente descrito se puede enunciar una ley de aprendizaje [10] o actualización para las matrices de peso dada por Figura 6. Concentración de Biomasa (X) y concentración de Biomasa Estimada (X) mediante el neuro-observador en el segundo experimento de producción de levadura. 3
  • 5. ©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales Superficies y Vacío 20(2),1-5, junio de 2007 Concentración de Trehalosa (g/l) concentración de trehalosa, un producto que no es obtenido en forma directa, ya que se debe hacer crecer el microorganismo y después extraer el producto moliéndolo. Concentración de Trehalosa Concentracion de Trehalosa Estimada 14 12 2.3 Características del Fermentador 10 Todos los experimentos fueron llevados a cabo con un cultivo de levadura comercial [11]. El microorganismo fue aislado para obtener la célula colonizante, así fue identificado como Saccharomyces cerevisiae. El medio de cultivo fue mantenido a condiciones de (glucosa de 20 g L1, extracto de levadura de 10 g L-1, agar-agar 20 g L-1) a 4ºC. El fermentador utilizado fue de 15 L de la marca Applikon Z81315 M607. Las condiciones experimentales fueron: temperatura de 30ºC, pH=5.0, flujo de aire de 450 L h-1, oxigeno disuelto al 10 % del valor de saturación de (0.8 mgO2 L-1 ca). El pH del cultivo fue controlado con amoniaco con agua (20 % v/v) y esta solución fue la fuente de nitrógeno del cultivo. Para la parte de lote alimentado el flujo de glucosa para el biorreactor estaba en relación con el coeficiente de respiración (RQ), el cual fue calculado de los datos de la composición del gas que fluía. La concentración de glucosa fue considerada en valores mínimos o cercanos a cero para el líquido de trabajo del biorreactor con la finalidad de minimizar la producción de alcohol. 8 6 4 2 0 5 10 15 20 25 Tiempo (hr) Figura 7. Concentración de Trehalosa (wT) y concentración de trehalosa estimada (wT) mediante el neuro-observador en el segundo proceso de producción de levadura. ⋅ ˆ W 1, t = − ( Γ1, t + δ Γ 2, t ) ⎡W1, t − W1∗ ⎤ σ ( xt )σ ( xt ) − M 1, t ⎣ ⎦ ˆ ⋅ W 2, t = − γ ( ut ) T 2 (Γ 1, t ˆ + δ Γ 2, t ) ⎡W2, t − W ⎤ φ ( xt )φ ( xt ) − M 2, t ⎣ ⎦ ˆ ∗ 2 (7) T W1, 0 = W1∗ ; W2, 0 = W2∗ donde Γ1, t = ( PN −T C0+ )( Λ −1 )( C0+T N −1P ) ΔC Γ 2, t = PN −T N −1P ) ) T M 1, t = 2 PN −T σ xt C0 xt − yt C0+ ) ) M 2, t = 2 PN −T φ xt γ ( ut ) C0 x t − yt ( )( ( ) 3. Resultados. (8) La figura 2 muestra la evolución de todas las variables en el fermentador, en este caso se realizo la medición en forma de toma de muestras de las concentraciones de biomasa y trehalosa, con lo que se construyo la base para comprobar la eficiencia del neuro-observador. Los estados estimados por el neuro-observador son mostrados en la figura 3, para la biomasa en donde se observa su correspondencia con los datos medidos, cabe señalar que el neuro-observador reprodujo estas evoluciones considerando la evolución de sólo los datos de la base como la concentración de sustrato y volumen en el medio y en la evolución de las variables se considera que los datos se reproducen como si fueran tomados en línea. La caída en la concentración de sustrato al final de tres horas del proceso de crecimiento de levadura produce un incremento en la trehalosa citoplasmática como se muestra en las figuras 2 y 4. Este resultado es reproducido por el estimador mostrando las curvas de los estados no medidos, es decir, concentración de trehalosa, se observa que las trayectorias se asemejan entre sí, mostrando la efectividad del neuro-observador en la estimación de este estado. Se debe recalcar que la variable de concentración de trehalosa no se encuentra definida dentro del modelo (1), que sirvió para el entrenamiento de la red, sin embargo, en el proceso de estimación entrega la evolución del estado. La repetibilidad del proceso se comprueba en la estimación que realiza el neuro-observador del segundo experimento de crecimiento de levadura, de una manera análoga el resultado para este proceso muestra tanto los estados ) ( ) T C0+ donde N = C T ( C T )+ siendo la notación del signo +, denota 0 0 la pseudos- inversa de Penrose, P es una matriz simétrica obtenida al resolver al ecuación de Riccati dado por PA + AT P + PR0 P + Q0 = 0 (9) Por medio del anterior algoritmo se determinan los cambios de los pesos de tal manera que se ajustan a las variables del proceso estudiado, para elegir el estado para ser estimado (aquel que no puede ser medido directamente) usando los datos de los estados que si pueden ser medidos, se elige la forma de la matriz C0 . Por otro lado, el ajuste de la constante K t se lleva a cabo mediante el proceso de ensayo y error y mediante la relación. T K t = P −1C0 Λ −1 ΔC (10) de esta manera el sistema es ajustado, en este articulo realizamos el ajuste mediante el uso del modelo mostrado en la sección anterior, posteriormente se utilizo la base de datos reales del proceso y se procedió a estimar dos variables, en este caso la concentración de biomasa y la 4
  • 6. ©Sociedad Mexicana de Ciencia y Tecnología de Superficies y Materiales Superficies y Vacío 20(2),1-5, junio de 2007 medidos en forma experimental como los estados estimados figuras 5 , 6 y 7, donde los estados estimados se encuentran muy cercanos a la evolución de los estados experimentales proporcionando un error entre mediciones menor al 2%; en este caso las condiciones de la fermentación son diferentes y las evoluciones son también diferentes, sin embargo, el neuro-observador omite estas diferencias y estima los estados no medidos con igual exactitud. Agradecimientos Los autores agradecemos a la SEPI-IPN, COFAA por el apoyo a través de los proyectos para la realización de este trabajo. Referencias [1] J. de A Adilson, R. M. F., Soft sensors development for online bioreactor state estimation, Computers and Chemical Engineering, 24, 1099 (2000). [2] L. Fortuna, S. Grazini, Soft sensors for monitoring and control of industrial processes, 1st ed. (New York, Springer, 2006). [3] A. Cabrera, A. Poznyak, T. Poznyak, J. Aranda, Identification of a fed batch fermentation process: comparison of computational and laboratory experiments, Bioprocess and Biosystems Engineering, 24, 319 (2002). [4] O. Sotomayor, S. W. P., Software sensor for on-line estimation of the microbial activity in activated sludge systems, The instrumentation, systems, and automation society, 41, 127 (2001). [5] L. Hudson, Neural Network and artificial intelligence for biomedical engineering, (Wiley-IEEE Press, 2000). [6] S. Haykin, Neural Networks: A comprehensive Foundation. New York, (New York, Cambridge University Press, 1994). [7] A. V. W. Ph. Bogaerts, Parameter identification for state estimation - application to bioprocess software sensor, Chemical Engineering Science, 59, 2465 (2004). [8] B. McNeil,. L. M. Harvey, Fermentation a Practical Approach. (New York, IRL Press, 1990). [9] N. G. McDuffie, Biorreactor Design. (Oxford,ButterworthHeinemann., 1991). [10] A. S. Poznyak, E.N. Sanchez and W. Yu, Dynamic Neural Networks for Nonlinear Control: Identification, State Estimation and Trajectory Tracking. 1 st ed. (New Jersey, World Scientific, 2001). [11] J. S. Aranda, E. Salgado and P. Taillandier, Biochem. Eng. J., 17, 129 (2004) . 4. Conclusiones El sistema neuro-observador realiza una estimación de las variables muy cercanas a las de la base de datos, determina la variable que no puede ser medida por medios directos en línea. Este tipo de sensor puede ser utilizado en sistemas donde la medición de una variable sea difícil de realizar o bien en sistemas cuyo modelo matemático sea complejo, permitiendo establecer una medición virtual de las variables mediante los datos de entrada y salida al proceso. Este trabajo puede servir de base para la realización de sensores virtuales en diferentes campos de investigación. 5