CONTROL DE UN PROCESO ANAERBICO PARA

PRODUCCIN DE METANO

Expositor
Dr. Joel Gurubel



Centro Universitario de Tonal




1
CONTENIDO
INTRODUCCIN
OBJETIVO
MODELO MATEMATICO
OBSERVADOR NEURONAL
VALIDACIN OBSERVADOR
CONTROL OPTIMO INVERSO
ESQUEMA HIBRIDO INTELIGENTE
RESULTADOS DE SIMULACION
CONCLUSIONES
TRABAJO FUTURO
PUBLICACIONES
2
MOTIVACIN
Debido al rpido crecimiento de la demanda de electricidad,
en vista del agotamiento de combustibles fsiles, y debido a
la conciencia ambiental creciente, surge la necesidad de
investigar la posibilidad de usar fuentes de energa
renovable eficientemente. La biomasa es atractiva como
recurso energtico potencial, y es un combustible
importante en varios pases en vas de desarrollo.
Sustituir los combustibles fsiles por la biomasa reducira
las emisiones netas del dixido de carbono que estn
contribuyendo al calentamiento global.
La biomasa se puede convertir en una variedad de formas
de energa incluyendo calor, vapor, electricidad, hidrgeno,
etanol, metanol y metano.
3
4
RENEWABLE ENERGY
Source: RENEWABLES 2012 GLOBAL STATUS REPORT
INTRODUCCIN
La digestin anaerbica es un proceso biolgico en el que la
materia orgnica (sustrato) es degradada por bacterias
anaerbicas (biomasa), en ausencia de oxgeno. Tal
degradacin produce biogs, que consiste en metano (CH
4
),
dixido de carbono (CO
2
), y tambin se obtienen residuos
orgnicos estables.


5
INTRODUCCIN
6
Hidrlisis, acidognesis, acetognesis y metanognesis.
INTRODUCCIN
7
Cada etapa tiene una dinmica especfica; la
metanognesis, que es la ms lenta impone la dinmica del
proceso y se considera la etapa limitante.
INTRODUCCIN
Se propone un observador neuronal basado en una red
neuronal recurrente de alto orden (RHONN, por sus siglas en
ingles) entrenada con un algoritmo de FKE. El objetivo es
estimar la concentracin de biomasa, la degradacin del
sustrato y el carbono inorgnico en un proceso anaerbico.
8
OBJETIVO
Para controlar el proceso anaerbico, se propone un
control hbrido inteligente basado en un controlador
neuronal ptimo inverso con gradiente de velocidad.
Este controlador es desarrollado sobre la base de un
observador neuronal de alto orden (RHONO) antes
mencionado. La meta del controlador es calcular la
razn de dilucin y la cantidad de bicarbonato
requeridos, para seguir una trayectoria de referencia
de produccin de metano (YCH
4.
) y evitar la inhibicin
del proceso anaerbico.
9
9
MODELO MATEMTICO

El modelo para el proceso anaerbico propuesto est
compuesto por un conjunto de cinco ecuaciones
algebraicas y seis ecuaciones diferenciales ordinarias.
10
( )
( )
( )
( )
( )
( ) Z Z D
dt
dZ
IC IC D
X R R X R X R R
dt
dIC
S S D X R X R
dt
dS
X k
dt
dX
S S D X R
dt
dS
X k
dt
dX
in in
in in
in in
d
in in
d
=

+ + =
+ + =
=
+ =
=
,
,
,
,
,
2 2 3 1 1 1 5 2 2 3 2
2 2 1 1 4 2 2 3
2
2 2 2
2
1 1 1 1 6
1
1 1 1
1

MODELO MATEMTICO

La tasa de crecimiento tipo Haldane es
seleccionada para este modelo con el fin de
describir la inhibicin por fenmeno de substrato
(Heijnen, 1995). Las tasas de crecimiento de X
1
y
X
2
son descritas por las siguientes ecuaciones :

11
1max 1
1
1
1 1
1
s
i
S
S HS
k S
k
=
+ +

2max
2
2
2
2
s
i
HS
HS
k HS
k
=
+ +

MODELO MATEMTICO
El crecimiento de la biomasa, la degradacin del
sustrato y YCH
4
, son buenos indicadores de
actividad biolgica dentro del reactor. Esas
variables pueden ser usadas para monitorear el
proceso y para disear el control neuronal ptimo
inverso con gradiente de velocidad.

12
OBSERVADOR NEURONAL EN TIEMPO
DISCRETO
Un observador neural no lineal de tiempo discreto
(RHONO) es diseado para estimar las variables
no medibles del proceso anaerbico. El
entrenamiento del RHONO se realiza con un FKE.
Las variables son estimadas a partir de mediciones
de CH
4
y CO
2
.

Para lograr esto, el modelo del proceso anaerbico
es discretizado por aproximacin de Euler
obteniendo el siguiente modelo:

13
OBSERVADOR NEURONAL EN TIEMPO
DISCRETO

MODELO DE DIGESTIN ANAERBICA
DISCRETIZADO
14
( )
( )
( )
( )
( )
1, 1 1, 1, 1 1,
1, 1 1, 6 1, 1, 1 , 1,
2, 1 2, 2, 2 2,
2, 1 2, 3 2, 2, 4 1, 1, 2 , 2,
1 2 3 2, 2, 5 1, 1, 1 3 2, 2, ,
,
,
,
,
,
k k k d k
k k k k k in k k
k k k d k
k k k k k k k in k k
k k k k k k k k k k in k k
k
X X k X
S S R X D S S
X X k X
S S R X R X D S S
IC IC R R X R X R R X D IC IC
Z

+
+
+
+
+
+
= +
= +
= +
= + +
= + + +
( )
1 ,
,
k k in k k
Z D Z Z = +
El RHONO en tiempo discreto estima las variables de la
etapa de metanognesis: la biomasa (X
2
), sustrato (S
2
) y
carbono inorgnico (IC). La propiedad de observabilidad de
este proceso de digestin anaerbica fue analizado en un
trabajo previo.
RHONO EN TIEMPO DISCRETO
15
Esquema del observador
u
k
_D
in,k
, u
k
_b
in,k

S
1in
, S
2in

z
-1

x
k+1
x
k

z
-1

y
k
= F(CH
4
, CO
2
)
g
mi

Anaerobic system
RHONO
w
i
T
z
i
(,)

k
= F(CH
4
, CO
2
)
x
k+1

x
k

h
h
e
k

F(,)
Estructura del observador
16
RHONO EN TIEMPO DISCRETO
,
,
,
3 ,
2
35 ,
2
34
, 2
33
2
32 31
1
2 , 2
, 2
2
25 ,
, 2
2
24
23
, 2
2
22
, 2
21
1 , 2
1 ,
, 2
2
15 ,
, 2
2
14
13
, 2
2
12
, 2
11
1 , 2
k k in
k
k in
k
k k k k
k k in
k
k in
k
k k k k
k k in
k
k in
k
k k k k
e g IC IC S w D IC S w
X S w IC S w IC S w IC
e g S S S w D S S w
IC S w S S w S S w S
e g IC X S w D X S w
IC S w X S w X S w X
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
. .
. . .
+
.
. .
. . .
+
.
. .
. . .
+
.
RHONO EN TIEMPO DISCRETO
donde w
ij
es el respectivo vector de pesos adaptado en
lnea; y son los estados estimados; S() es la funcin
sigmoidal definida como S(x)=atanh(Bx); (g
1
, g
2
, g
3
) son
las ganancias Luenberger del observador, e
k
es el error
de salida, D
in
, S
2in
y IC
in
son definidas como antes.
El algoritmo de entrenamiento para el observador esta
basado en el FKE.
Y las salidas del observador son definidas como sigue:
17
2 2 ,
. .
S X
.
IC ) (- S
) tanh( ) ( x x S | o =
ij
w
2
, 2 3 2, 2,

CO k k k k
Y R R X =
4
, 1 2 2, 2,

.
CH k k k
Y RR X =
VALIDACIN DEL OBSERVADOR
Se inicializa el observador en condiciones iniciales
aleatorias y una perturbacin del 50% en S
2in

insertada en t=200 h.
18
VALIDACIN DEL OBSERVADOR
19
CONTROL NEURONAL PTIMO INVERSO
CON GRADIENTE DE VELOCIDAD
Considere un sistema no lineal en tiempo discreto
afn como


donde x
k
R
n
es el estado del sistema al tiempo k
Z
+
, u R
m
es el control de entrada, f : R
n
R
n
,
g : R
n
R
nxm
son funciones de mapeo suaves. Se
asume f(0)=0 y rango{g}=mparatodax En
(Ornelas, 2012), la siguiente funcin de costo es
asociada con el sistema no lineal
20
( ) ( )
k k k k
u x g x f x + =
+1
{ } . 0 = =
k
x m g rango
CONTROL NEURONAL PTIMO INVERSO
CON GRADIENTE DE VELOCIDAD
Donde z
k
= x
k
- x
,k
con x
,k
como la trayectoria deseada para x
k;

z
k
R
n
; V(x) : R
n
R
+
; l(x) : R
n
R
+
es una funcin semidefinida
positiva y R
C
(z
k
) : R
n
R
m x m
es una matriz simetrica real de
pesos definida positiva. Considerando control por
retroalimentacin de estados, asumimos que los estados x
k
son
completamente disponibles.

La ecuacin anterior puede ser reescrita como:


21
( ) ( ) ( ) ( )
n
k n T C n n
n k
V z l z u R z u

=
= +

CONTROL NEURONAL PTIMO INVERSO

CON GRADIENTE DE VELOCIDAD





donde la condicin V(0) = 0 es requerida tal que
V(z
k
) sea una funcin de Lyapunov. Para
establecer las condiciones que la ley de control
ptima debe satisfacer, definimos el Hamiltoniano
en tiempo discreto H
22
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1
1
T
k k k C k k
T
n n C n n
n k
T
k k C k k k
V z l z u R z u
l z u R z u
l z u R z u V z

= +
+
= +
+ +
= + +

( ) ( ) ( ) ( ) ( )
1
, .
T
k k k k C k k k k
H z u l z u R z u V z V z
+
= + +
CONTROL NEURONAL PTIMO INVERSO
CON GRADIENTE DE VELOCIDAD
Una condicin necesaria que la ley de control
ptima debe satisfacer is H/u
k
= 0.





23
( )
( )
( )
( )
( ) ( )
( )
1
1
1
1
1
1
0 2
2
2
k
C k k
k
k
k
C k k
k k
k T
C k k k
k
V z
R z u
u
V z
z
R z u
u z
V z
R z u g x
z
+
+
+
+
+
+
c
= +
c
c
c
= +
c c
c
= +
c
Proponemos una CLF V(z
k
) tal que la ley de
control ser optima inversa que estabiliza a
lo largo de la trayectoria deseada.


Empleando esta funcin en la ley de control,
queda de la siguiente forma

24
( )
1
0
2
k
T T
c k k k k k
V z z P z P P = = >
( ) ( ) ( ) ( ) ( ) ( )
1
*
, 1
1 1
.
2 2
T T
k C k k k k k k k k
u R z g x P g x g x P f x x
o

+
| |
= +
|
\ .
CONTROL NEURONAL PTIMO INVERSO
CON GRADIENTE DE VELOCIDAD
P
k
y R
C
(z
k
) son matrices definidas positivas y
simtricas; as la existencia de la inversa en el
control es asegurada.
Para computar P
k
, que asegura seguimiento de
trayectoria de x
k
, usaremos el algoritmo gradiente
de velocidad (SG). La ley de control depende de la
matriz P
k
en cada paso de tiempo. Definimos la
matriz P
k
en cada pasa de tiempo k como:
25
k k C
P p P =
CONTROL NEURONAL PTIMO INVERSO
CON GRADIENTE DE VELOCIDAD
Donde P
C
=P
C

T
> 0 es una matriz constante dada
y p
k
es un parmetro escalar a ser ajustado por el
algoritmo SG. Entonces la ley de control es
transformada en:



La variacin dinmica del parmetro p
k
es
calculada como:
26
( ) ( ) ( ) ( ) ( ) ( )
1
*
, 1
.
2 2
T T
k k
k C k k C k k C k k
p p
u R z g x P g x g x P f x x

+
| |
= +
|
\ .
o
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2
, 1 , 1
1 , 3
8
2
T
T
k k C k C k k k k
k k d k
T
C k k k C k
f x x P g x R z g x f x x
p p
R z p g x P g x
+ +
+

= +
+
o o

CONTROL NEURONAL PTIMO INVERSO

CON GRADIENTE DE VELOCIDAD
que es positiva para todo paso de tiempo k si p
0
>0.
Por lo tanto la positividad de p
k
es asegurada y el
requerimiento P
k
=P
k
T
>0 es garantizado. Adems,
con CLF y P=pP ( p es un valor constante cuando
el algoritmo SG concluye), la ley de control es
ptima inversa en el sentido de que minimiza la
funcin de costo propuesta tal que l(x) pondera al
estado y R
C
pondera al control.
27
p p
k
=
p
El RHONO propuesto se presenta como un sistema
afn con el objetivo de aplicar control ptimo
inverso.
28
RHONO COMO SISTEMA AFN
2
2, 2, 2,
1 11 12 13 1
2 2
2, 2, 2, 2,
2 21 22 23 25 2 ,
2
2,
3 31
, ,
,
,
,
k k k k k
m k
k k k k k k
in k
m k
k k k
f X IC w S X w S X w S IC g e
f S IC w S S w S S w S IC w S S S
g e
f X IC w S IC
. . . . .
. . . . . .
. . .
| | | | | | | |
= + + +
| | | |
\ . \ . \ . \ .
| | | | | | | | | |
= + + +
| | | | |
\ . \ . \ . \ . \ .
+
| | | |
=
|
\ . \
2
2,
32 33 3
k k
m k
w S IC w S X g e
. .
| | | |
+ + +
| | |
. \ . \ .
29
2 2
2, 2, 2, 2,
11 14 12 15
2
2, 2, 2,
21 24 22
2 2
31 34 32 35
( ) ( )
( ) ( ) 0
( ) ( )
k k k k
k k k
k k k k
G X w S X G X w S X
G S w S S G S
G IC w S IC G IC w S IC
. . . .
. . .
. . . .
| | | |
= =
| |
\ . \ .
| |
= =
|
\ .
| | | |
= =
| |
\ . \ .
( ) ( )
( )
11 12
1 21 2 22
31 32
1 2
2 , 1 2
3

k k
ref
k k ref
ref
G G
g x G g x G
G G
f X
f x f x S
f IC
+
( (
( (
= =
( (
( (

(
(
(
(
= =
(
(
(
(


o
RHONO COMO SISTEMA AFN
Para el modelo del proceso anaerbico la ley de control
ptima inversa es formulada como:







Donde la matriz definida positiva P
k
= p
k
P
C
es calculada por
el algoritmo SG , es una matriz constante, y

30
RHONO COMO SISTEMA AFN
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1
*
, 1 1 1, 1
1 1, 1 , 1
1
*
, 2 2 2, 2
2 2, 2 , 1
1 1
_
2 2
,
1 1
_
2 2
,
T
k in k C k k k k
T
k k k k k
T
k inc k C k k k k
T
k k k k k
u D R x g x P g x
g x P g x f x x
u b R x g x P g x
g x P g x f x x
o
o

+
| |
= +
|
\ .
| |
= +
|
\ .
( )

C k
R x
( ) ( )
, 1 , 1
, .
k k k k
f x x f x x
o o + +
=
31
BAJO MEDIO ALTO
Lazo Accin Accin
abierto b
inc
D
C
1
=1.4 C
2
=1.7 C
3
=1.8 ODL/X
2

Conjunto difuso ODL/X2
2 20 2 2

/ / X S A D X ODL
k
=
CONTROL HBRIDO INTELIGENTE
If ODL/[X
2
] is SMALL
then u = open loop

If ODL/[X
2
] is AVERAGE
then u = u
k
_b
inc,k


If ODL/[X
2
] is HIGH
then u = u
k
_D
in,k

32
CONTROL HBRIDO INTELIGENTE
Esquema de control inteligente hbrido
33
Supervisor Takagi-Sugeno
Acccin b
inc

Accin D
Proceso
Lazo abierto
Biomasa
estimada
2

X
Control ptimo inverso con
gradiente de velocidad
CONTROL HBRIDO INTELIGENTE
RESULTADOS DE SIMULACIN
Se presentan un conjunto de simulaciones
semejantes a condiciones reales para validar la
estrategia de control propuesta; el esquema de
control es probado en presencia de perturbaciones
en el sustrato de entrada, variaciones en las tasas
de crecimiento, condiciones iniciales aleatorias
para el observador.

34
RESULTADOS DE SIMULACIN
35
El algoritmo de control neuronal ptimo inverso
requiere trayectorias de referencia para forzar al
sistema a seguirlas. Las trayectorias de referencia
propuestas fueron tomadas de un trabajo previo
(Belmonte et al., 2009), porque ellas representan
un comportamiento dinmico ptimo del proceso
anaerbico para el crecimiento de biomasa y
produccin de metano.
RESULTADOS DE SIMULACIN
Perturbacin pequea
El esquema de control hbrido inteligente es
probado en presencia de una perturbacin del
100% en S2in en t = 200 horas.
36
RESULTADOS DE SIMULACIN
37
RESULTADOS DE SIMULACIN
Perturbacin mediana
El esquema de control hbrido es probado
introduciendo una perturbacin del 150% en S2in
en t = 200 horas.
38
RESULTADOS DE SIMULACIN
39
RESULTADOS DE SIMULACIN
Perturbacin grande
El esquema de control hbrido es probado
introduciendo una perturbacin del 200% en S2in
en t = 200 horas.

40
RESULTADOS DE SIMULACIN
41


RESULTADOS DE SIMULACIN
Perturbacin grande con variacin
de parmetros
El esquema de control hbrido es probado
introduciendo una perturbacin del 200% en S2in
en t = 200 horas y variacin en las tasas de
crecimiento ,
1max
and
2max
.

42
RESULTADOS DE SIMULACIN
43
CONCLUSIONES
Un esquema de control hbrido inteligente para un
proceso anaerbico es propuesto para producir metano
y evitar la inhibicin en un proceso anaerbico.

Un observador neuronal recurrente de alto orden no
lineal en tiempo discreto (RHONO) es empleado para
estimar la concentracin de biomasa, degradacin del
sustrato y carbono inorgnico. Se basa en una red
neuronal recurrente de alto orden en tiempo discreto
entrenada con un algoritmo basado en un filtro de
Kalman extendido (FKE).


44
CONCLUSIONES
Un modelo matemtico afn es obtenido con el propsito de
aplicar control neuronal ptimo inverso con gradiente de
velocidad.
El supervisor difuso detecta actividad biolgica dentro del
reactor, mediante la estimacin de la biomasa y aplica una
accin de control. El objetivo es forzar al sistema a seguir una
trayectoria de referencia deseada, que se logra mediante el
diseo de una ley de control ptimo inversa.

Los resultados en simulacin ilustran que el control hibrido
inteligente propuesto es capaz de estabilizar la produccin de
metano a lo largo de la trayectoria deseada en presencia de
perturbaciones, y evitar el lavado.



45
TRABAJO FUTURO
Esta investigacin ser continuada para evaluar la
aplicacin del observador y la ley de control
propuestos en un prototipo a escala del reactor
anaerbico.



46
PUBLICACIONES
Journals
K. J. Gurubel, E. N. Snchez, F. Ornelas-Tellez and S. Carlos-Hernndez,
Hybrid Intelligent Inverse Optimal Control fnd or Methane Production in an
Anaerobic Process, CABEQ 2012, Accepted.

K. J. Gurubel, A. Y. Alanis, E. N. Sanchez and S. Carlos Hernandez, A
Neural observer with time-varying learning rate: analysis and applications,
IJNS 2012, submitted.

Captulo de libro
S. Carlos-Hernndez, K. J. Gurubel and R. Carrasco, Modeling and
simulation of alternative energy generation processes by using HONN,
International, IGI GLOBAL, November 2012.

47
Conferencias internacionales
K. J. Gurubel, E. N. Sanchez, and S. Carlos-Hernandez, Dynamic
Learning Rate (
D
) for Recurrent High Order Neural Observer (RHONO):
Anaerobic Process Application, IJCNN 2011, San jose, California, USA.

K. J. Gurubel, E. N. Snchez, S. Carlos-Hernndez and F. Ornelas-
Tellez, Speed-Gradient Inverse Optimal Neural Control for Anaerobic
Digestion Processes, WAC 2012, Puerto Vallarta, Jalisco, Mexico.

Conferencias nacionales
K. J. Gurubel, E. N. Snchez, F. Ornelas-Tellez y S. Carlos-Hernndez,
Control Hbrido Inteligente Neuronal ptimo Inverso con Gradiente de
Velocidad para Produccin de Metano en un Proceso Anaerbico, AMCA
2012, Cd. Del Carmen, Campeche.



48
K. J. Gurubel, E. N. Snchez, S. Carlos-Hernndez y F. Ornelas,
Control Neuronal ptimo inverso para Regular la Produccin de
Metano en un Proceso de Digestin Anaerbica, AMCA 2011,
Saltillo, Coahuila.

K. J. Gurubel, S. Carlos-Hernndez, E. N. Snchez, Razn de
Aprendizaje Dinmica para Un Observador Neuronal Recurrente de
Alto Orden (RHONO): Aplicacin a Un Proceso Anaerbico,
SINAFIQ 2011, Saltillo, Coahuila.

49

Gracias.
50

51
ORGANIC MATTER CHARACTERISTICS AND BMP RESULTS OF
SELECTED DIGESTER SUBSTRATES (FROM MOODY, ET AL, 2011A).
5
1

Source: BAE-
1762

52

53

54

55

56