1

Descripcin del mtodo para determinar los parmetros cinticos: regresin

mltiple no lineal.
Se explica brevemente el algoritmo de Gauss-Newton[19] para encontrar los parmetro de un
cierto modelo que ajusten los datos experimentales dados..
El algoritmo de Gauss-Newton, en esencia, es similar al mtodo de mnimos cuadrados para
regresin lineal, con la salvedad de que el mtodo de Gauss-Newton se aplica a modelos que no
son lneas rectas. El mtodo de Gauss-Newton se aplica tanto a modelos de una variable as
como modelos multivariable. Asimismo, el modelo puede consistir de ecuaciones algebraicas, o
bien, de ecuaciones diferenciales.
Sea el modelo diferencial:
) , X (t, =
dt
X d

C g
(1.14)
donde la flecha sobre las variables indica que es sta un vector;

g representa el vector de
funciones algebraicas formados por los segundos miembros de cada ecuacin que forma parte
del modelo;

X representa el vector de variables dependientes y

C , el conjunto de parmetros
constantes que aparecen en el modelo.
El algoritmo de Gauss-Newton consta de las siguientes etapas:
1) Suponer valores iniciales para el vector de parmetros

C .
2) Si el modelo consiste de ecuaciones diferenciales, entonces se usa el vector

C y las
condiciones iniciales, para integrar las ecuaciones, obteniendo los perfiles de

X .
Si el modelo est en forma de ecuaciones algebraicas, simplemente se usa

C para
evaluar

X .
3) Formar y evaluar la matriz A:
2

i
i0
1
it
1
i0
k
it
k
A
=
X
c
...
X
c
...
...
...
X
c
...
X
c

c
c
c
c
c
c
c
c

(
(
(
(
(
(
(1.15)
Si el modelo consiste de ecuaciones algebraicas, entonces las derivadas parciales se
evalan fcilmente, derivando las ecuaciones del modelo.
Si el modelo consiste de ecuaciones diferenciales --como en el presente trabajo--,
entonces se tienen que desarrollar las ecuaciones de variacin. Estas se obtienen
tomando la derivada parcial de las ecuaciones diferenciales con respecto a los par-
metros por determinar:

c
c
c
c
C
g
= )
dt
X d
(
C
(1.16)
Si se cambia el orden de derivacin:

c
c
c
c
C
g X
= )
C d
d
(
t
(1.17)
Esta expresin constituye un conjunto de ecuaciones diferenciales ordinarias, que pueden
ser integradas simultneamente con las ecuaciones del modelo. La integracin de la
ecuacin (1.17) genera las derivadas parciales necesarias para completar la matriz A.
A esta matriz, A, se le denomina matriz de sensibilidades, ya que cada derivada parcial
que la compone, representa la razn de cambio de cada una de las i-simas variables
dependientes con respecto al k-simo parmetro por encontrar; es decir, la sensibilidad
de la variable dependiente con respecto al cambio en cada parmetro desconocido.
Debe obtenerse una de estas matrices de sensibilidades por cada variable dependiente.
4) Calcular la correccin de los parmetros constantes

AC .
3

|
.
|

\
|
A

X
A A
A
C - X ) ( =
e
T T
1 -
(1.18)
donde el superndice T significa la matriz transpuesta y el -1 la matriz inversa.
5) Obtener el nuevo valor del vector

C .

AC
C C
+ =
anterior nuevo
(1.19)
Donde el vector

C
anterior
constituye una estimacin inicial que se tiene que proporcionar
al mtodo en la primera iteracin. Posteriormente los nuevos valores pasan a ser los
anteriores para iteraciones sucesivas.
6) Repetir las etapas 2 a 5, hasta que los valores sucesivos del vector

C , satisfagan un
criterio de error preestablecido.
El mtodo de Newton se basa en la linealizacin de un modelo no-lineal; as, se espera que este
mtodo trabaje bien si el modelo no es altamente no-lineal [19], o si los valores iniciales del los
parmetros a estimar estn cerca de la regin ptimo. Pero, por el otro lado, si los valores
iniciales estn lejos del ptimo, el mtodo puede divergir, debido a que la regin de convergencia
es muy pequea.
Este problema ha sido abordado por varios autores, existiendo varias tcnicas para superarlo.
Aqu se emplear la modificacin propuesta por Marquard[20]:
|
.
|

\
|
+ A

X
A A
A
C - X ) ( =
e
T T
1 -
(1.20)
El valor de lambda se elige en cada iteracin, de modo que el vector de parmetros corregidos
resulte en una suma de cuadrados ms pequea en la siguiente iteracin. En general, el valor de
lambda se elige grande cuando el mtodo de Newton diverge y pequeo cuando ste puede
converger por s solo [19].
A continuacin se describe detalladamente la aplicacin de esta variante del mtodo de Gauss-
Newton, para la determinacin de los parmetros que se requieren en los modelos matemticos
para poder realizar la simulacin.
4

Aplicacin del mtodo de Marquard al modelo de Monod para crecimiento con glucosa
como sustrato limitante
Las ecuaciones que describen el comportamiento de la levadura creciendo sobre glucosa como
nica fuente de carbono ya se dieron en el captulo anterior, pero se anotan de todas formas a
continuacin:
G +
K
X G
=
dt
dX
G a,
G ,

max
(2.1)
X
m
-
G +
K
X G
Y
1
=-
dt
dG
G
G a,
G ,
X/G

max
(2.2)
Estas dos ecuaciones son equivalentes al modelo diferencial (18) del captulo anterior.
Al integrar las ecuaciones (2.1) y (2.2) se obtiene la variacin, a lo largo del tiempo, tanto de la
concentracin de biomasa, X, como de la concentracin de sustrato, G (glucosa).
El propsito es estimar los parmetros constantes que aparecen en las ecuaciones anteriores:

max,G
, K
a,G
, Y
X/G
y m
G
. Estos cuatro parmetros son las componentes del vector

C ; la variable
independiente es el tiempo, t, y el vector de variables dependientes est formado por X y G.
De acuerdo con Marquard(20), la correccin al vector de parmetros est dada por la ecuacin
(24). El nuevo valor de cada parmetro se calcula con la ecuacin (1.20).
La matriz de sensibilidades, A, para la concentracin de biomasa, X ser:
(
(
(
(
(
(

c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
=
M
X
...
M
X
Y
X
...
Y
X
K
X
...
K
X
X
...
X
A
G
t
G
0
X/G
t
X/G
0
G s,
t
G s,
0
G ,
t
G ,
0
X

max
max
(2.3)
Donde los subndices de X denotan el tiempo en que las derivadas deben ser evaluadas.
Del mismo modo, la matriz de sensibilidades para la concentracin residual de glucosa ser:
5


M
G
M
G
Y
G
Y
G
K
G
K
G
G
G
=
A
G
t
G
0
X/G
t
X/G
0
G s,
t
G s,
0
G ,
t
G ,
0
G
(
(
(
(
(
(

c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
... ... ... ...
max
max

(2.4)
A continuacin se dan las ecuaciones de variacin, a partir de las cuales se pueden obtener las
derivadas para formar estas matrices:
G +
K
XG
+ ) )
G +
K
G
- (1
G
+X
X
(G
G +
K
=
)
dt
dX
(
G G G

max max
max
max
c
c
c
c
c
c (2.5)
))
K
G
+ (1
G +
K
XG
-
K
G
+X
K
X
(G
G +
K
=
K
)
dt
dX
(
G G G G G G
c
c
c
c
c
c
c
c

max
(2.6)
)
Y
G
G +
K
XG
-
Y
G
+X
Y
X
(G
G +
K
=
Y
)
dt
dX
(
x/G G x/G x/G G x/G
c
c
c
c
c
c
c
c

max
(2.7)
)
m
G
G +
K
XG
-
m
G
+X
m
X
(G
G +
K
=
m
)
dt
dX
(
G G G G G G
c
c
c
c
c
c
c
c

max
(2.8)

max max max

max
max
c
c
c
c
c
c
c
c
X
m
- )
G +
K
XG
+ ) )
G +
K
G
- (1
G
+X
X
(G
G +
K
(
Y
1
- =
)
dt
dG
(
G
G G G x/G
(2.9)
K
X
m
- ) ))
K
G
+ (1
G +
K
XG
-
K
G
+X
K
X
(G
G +
K
(
Y
1
=
K
)
dt
dG
(
G
G
G G G G G x/g G
c
c
c
c
c
c
c
c
c
c

max
_ (2.10)
Y
X
m
- ) )
Y
G
G +
K
XG
-
Y
G
+X
Y
X
(G
G +
K
(
Y
1
-
G +
K
XG
Y
1
=
Y
)
dt
dG
(
x/G
G
x/G G x/G x/G G x/G G x/G
2
x/G
c
c
c
c
c
c
c
c
c
c

max max
(2.11)
m
X
m
- ) )
m
G
G +
K
XG
-
m
G
+X
m
X
(G
G +
K
(
Y
1
- X =
m
)
dt
dG
(
G
G
G G G G G x/G G
c
c
c
c
c
c
c
c
c
c

max
(2.12)
6

Al integrar las ecuaciones (2.5) a (2.12) simultneamente con las ecuaciones del sistema (2.1) y
(2.2), se obtiene la concentracin de biomasa y de sustrato como funcin del tiempo; se obtienen
tambin las derivadas parciales que forman las matrices de sensibilidades (tngase en mente el
cambio del orden de derivacin, como fue planteado en el captulo anterior, ya que la integracin
se realiza con respecto al tiempo).
Para la integracin del sistema de 10 ecuaciones diferenciales que se forma se emplea el mtodo
de Runge-Kutta de 4 orden[19].
El listado del programa que contiene el mtodo de Marquard, escrito en Lenguaje C, empleado
para la estimacin de los parmetros descritos, puede consultarse en el apndice 3.