Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Garduo-Garca A. Martnez-Romero S.
Posgrado en Ingeniera Agrcola y Uso Integral del Agua Departamento de Ingeniera Agroindustrial
Universidad Autnoma Chapingo Universidad Autnoma Chapingo
Correo: angel_g889@hotmail.com Correo: fsalamarom@hotmail.com
Resumen
Abstract
The goal of the current research was to study the behavior of the fermentation pro-
cess of home-made beer using a mathematical dynamic model. The model contains Keywords:
the rates of change of the concentration state variables of glucose, maltose and malto-
triose. An output variable is the ethanol concentration and an auxiliary variable is mechanistic model
the biomass (yeast) concentration. The model was programmed in the Matlab-Simu- dynamic system
link environment, and for its numerical integration Dormand-Prince method of sensitivity analysis
fourth order with a variable integration step size and a relative tolerance of 108 was calibration
used. In order to know which model parameters are more important, a local sensitiv- beer
ity analysis was carried out. Furthermore, an experiment was performed to produce
home-made beer at constant temperature (21C). Fourteen experimental units (fer-
menters) with the same initial conditions were implemented. Using the experimen-
tal results the model was calibrated by nonlinear least squares and differential
evolution algorithms. According to the statistics bias (BIAS), correlation coefficient
(r), squared root of mean squared error (RMSE), mean absolute error (MAE) and
the efficiency of modeling (EF), a good fit between the model predictions and mea-
surements were found after the model parameters estimation.
222 Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM
Garduo-Garca A., Lpez-Cruz I.L., Martnez-Romero S., Ruz-Garca A.
fil de temperatura para impulsar el proceso, a fin de ne tres azcares, maltosa, glucosa y maltotriosa. Las
obedecer ciertas restricciones durante la fermentacin tasas de cambio de los tres azcares (variables de esta-
de la cerveza. El diseo de este perfil de temperatura do) se calculan mediante tres ecuaciones diferenciales:
tambin es un problema de optimizacin, donde el ob-
jetivo es reducir al mnimo el tiempo de operacin y Glucosa:
optimizar la calidad de la cerveza, dicho problema fue
dG
resuelto mediante un algoritmo evolutivo llamado evo- = 1 ( G ) X
(1)
dt
lucin diferencial. Los resultados mostraron que este
algoritmo es un mtodo fcil y competente para incor- Maltosa:
porar el conocimiento previo del usuario en la optimi-
dM
zacin del perfil de temperatura de los procesos por = 2 ( M , G ) X
(2)
dt
lotes.
Otro modelo importante es el desarrollado por En- Maltotriosa:
gasser et al. (1981) para controlar el proceso de fermen-
dN
tacin, el cual toma en consideracin el metabolismo de = 3 ( N , M , G ) X
(3)
dt
la levadura y ecuaciones de cintica relativamente sim-
ples para la asimilacin de diferentes azcares. Este donde
modelo fue modificado por Gee y Ramirez (1988) para
VG G
incluir los efectos de la temperatura en dicho proceso, 1 ( G )
= (4)
KG + G
donde se supone que el medio de fermentacin contie-
ne tres azcares, maltosa, glucosa y maltotriosa. En in-
VM M KG
vestigaciones ms recientes, Gee y Ramirez (1994) 2 ( M , G ) = (5)
K M + M KG + G
desarrollaron un nuevo modelo de fermentacin de
cerveza, el cual se puede subdividir en un modelo de
VN N KG KM
3(
crecimiento, un modelo de aminocidos y un modelo N , M ,G) = (6)
K N + N KG + G KM + M
de sabor-aroma. Los resultados evidenciaron la capaci-
dad de describir con precisin la dinmica de fermenta-
cin de cerveza por lotes. y G (mol m3) es la concentracin de glucosa, M (mol m3)
Los diferentes modelos encontrados en la literatura es la concentracin de maltosa, N (mol m3) es la concen-
para simular el proceso de fermentacin, se han enfoca- tracin de maltotriosa, X (mol m3) es la concentracin de
do en la cerveza producida a gran escala en la industria, biomasa, i(h1) es la tasa especfica de absorcin de az-
por lo que intentan duplicar en laboratorio las condicio- car, Vi (h1) es la velocidad de reaccin mxima para el
nes industriales reales. Por lo anterior, en el presente azcar (i = G, M, o N), Ki (mol m3) es la constante de Mi-
trabajo se plantearon los siguientes objetivos: i) simular chaelis para el azcar (i = G, M, o N) y Ki es la constante
el proceso de fermentacin de cerveza artesanal me- de inhibicin para el azcar (i = G o M).
diante un modelo dinmico mecanicista utilizado para Ecuaciones algebraicas para concentraciones de bio-
el proceso de produccin de cerveza industrial, ii) reali- masa y etanol, respectivamente:
zar un anlisis de sensibilidad local del modelo, iii) es-
timar los parmetros ms importantes del modelo X ( t ) = X ( t0 ) + RX G ( t0 ) G ( t ) +
(7)
G
Desarrollo
( t ) REG G ( t0 ) G ( t ) +
E= (8)
Modelo matemtico para la fermentacin
REM M ( t0 ) M ( t ) + REN N ( t0 ) N ( t )
El modelo matemtico de fermentacin de cerveza uti-
lizado en este trabajo, fue propuesto Gee y Ramirez donde E (mol m3) es la concentracin de etanol, Rxi es el
(1988). Sin embargo, en esta investigacin no se consi- rendimiento estequiomtrico de la biomasa por mol de
der la variable de estado temperatura debido a que el azcar reaccionado (i = G, M, o N) y REi es el rendimien-
proceso se llev a cabo a temperatura constante. En este to estequiomtrico de etanol por mol de azcar reaccio-
modelo se supone que el medio de fermentacin contie- nado (i = G, M, o N), Rxi y REi se suponen constantes.
Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 223
Simulacin del proceso de fermentacin de cerveza artesanal
M 3 M1
Figura 1. Fermentador acondicionado para produccin de d = dH 2 O (9)
cerveza artesanal M 2 M1
224 Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM
Garduo-Garca A., Lpez-Cruz I.L., Martnez-Romero S., Ruz-Garca A.
Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 225
Simulacin del proceso de fermentacin de cerveza artesanal
esti
Gobsi )2 + ( Mesti Mobsi )2 + ( N esti N obsi )2 + 0.21( Eesti Eobsi )2
i =1 19.3 mol m3. Debido a que el proceso de fermentacin
se realiz a una temperatura de 21C, se utilizaron los
donde es un vector que contiene los parmetros a es- valores de los parmetros cinticos correspondientes a
timar, X es el nmero de mediciones de glucosa (G), la temperatura de 16C (Gee y Ramirez, 1988), esto con
maltosa (M), maltotriosa (N) y etanol (E), 0.21 es un fac- la finalidad de tener una mayor semejanza entre los va-
tor de escala, el subndice est indica el valor estimado y lores simulados y los medidos.
el subndice obs, el valor observado. El problema de op- Como puede observarse en la figura 3, las prediccio-
timizacin se resolvi mediante la rutina lsqnonlin del nes del modelo con los valores de los parmetros para
Optimization toolbox de Matlab, utilizando el algoritmo una temperatura de 16C, reproducen la dinmica del
de Levenberg-Marquardt. comportamiento de las variables modeladas; sin em-
Con la finalidad de verificar la calidad de la estima- bargo, los valores medidos y los simulados difieren en
cin de los parmetros del modelo, el problema de op- gran escala, por lo que fue necesario realizar la estima-
Figura 3.Comparacin entre predicciones (modelo con parmetros cinticos correspondientes a una
temperatura de 16C) y mediciones de las variables del modelo en el tiempo de fermentacin
226 Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM
Garduo-Garca A., Lpez-Cruz I.L., Martnez-Romero S., Ruz-Garca A.
cin de los parmetros (calibracin del modelo) selec- tancia, fueron tomados en cuenta durante la calibracin
cionados mediante el anlisis de sensibilidad descrito. del modelo. Por otro lado, los parmetros KG , y KM , al ser
poco relevantes debido a que su variacin no afecta en
gran medida al modelo, no fueron considerados para la
Anlisis de sensibilidad
calibracin. Los valores de los parmetros no relevantes
En la figura 4 se muestran las sensibilidades relativas de para el modelo se tomaron del trabajo de Gee y Ramirez
los estados glucosa (G), maltosa (M) y maltotriosa (N), con (1988), para una temperatura de 16C.
respecto a cada uno de los parmetros. Un valor absoluto Una vez seleccionados los parmetros que afectan el
de la sensibilidad relativa mayor que cero indica que el comportamiento del modelo de manera importante, se
modelo es sensible a un cambio pequeo del parmetro llev a cabo la calibracin. Los valores de los parme-
respectivo. Las sensibilidades relativas de los parmetros tros nominales se aproximaron de forma manual si-
se muestran en la tabla 2, donde G, M y N son las variables guiendo su tendencia al aumentar la temperatura de
de estado y VG , VM , VN , KG , KM , KN, KG , y KM los parme- fermentacin (Gee y Ramirez, 1988) en el momento en
tros cinticos del modelo. En la misma tabla se observa que se logr cierta proximidad entre los valores simula-
que la variable de estado G es sensible al cambio en los dos y los valores medidos de las variables de estado,
parmetros VG y KG , la variable de estado M es sensible al estos valores de los parmetros se consideraron como
cambio en los parmetros VM y KM , mientras que la varia- nominales; en la calibracin se les dio un rango de va-
ble de estado N es sensible al cambio en los parmetros VN riacin para encontrar los valores que minimizaran la
y KN ; por lo cual, todos estos parmetros de gran impor- funcin objetivo (ecuacin 15).
Figura 4. Funciones de
sensibilidad local para
las variables de estado
respecto a cada uno de los
parmetros cinticos del
modelo SR = sensibilidad
relativa, G = glucosa,
N = maltotriosa
Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 227
Simulacin del proceso de fermentacin de cerveza artesanal
Tabla 2. ndices de sensibilidad local para las variables Tabla 3. Valores de los parmetros cinticos del modelo
de estado con respecto a los parmetros calibrado mediante lsqnonlin
Variables de estado Parmetro Valor estimado
Parmetros G M N VG 0.1365
VG 35.88 0 0 VM 0.3885
VM 0 61.73 0 VN 0.3287
VN 0 0 7.17 KG 0.0980
KG 8.39 0 0 KM 85.9316
KM 0 51.27 0 KN 1254.9
KN 0 0 7.14
K'G 0 2.08 0.22 Tabla 4. Estadsticas de ajuste del modelo calibrado mediante
lsqnonlin
K'M 0 0 0.18
Variable del
r
Calibracin y simulacin del modelo modelo BIAS MAE EF RMSE
Glucosa -1.14 1.14 0.99 2.61 0.99
En la figura 5 se muestra la comparacin entre los valo-
res de las concentraciones de las variables del modelo Maltosa 8.44 13.71 0.84 27.07 0.94
medidas y simuladas con respecto al tiempo de fermen- Maltotriosa 0.58 3.99 0.30 5.20 0.81
tacin, en donde la simulacin se realiz con los par- Etanol 26.66 36.55 0.98 49.21 0.99
metros cinticos estimados mediante el mtodo de
mnimos cuadrados no lineales para una temperatura
de 21C. En la tabla 3 se muestran los valores estimados modelo sobreestima la cantidad de glucosa aunque esto
para cada uno de los parmetros cinticos del modelo difcilmente puede apreciarse en la figura 5 ya que el
mediante la rutina lsqnonlin del Optimization toolbox de ajuste entre predicciones y mediciones es muy preciso.
Matlab. En la tabla 4 se encuentran las estadsticas de Esto puede apreciarse tanto en la figura 5 como en la
ajuste entre el modelo ya calibrado y los datos medidos estadstica ndice de eficiencia (EF) y en el coeficiente de
para cada una de las variables de estado y la variable de correlacin (r). De acuerdo con las estadsticas RMSE y
salida. De acuerdo con la estadstica sesgo (BIAS) el MAE la variable glucosa puede predecirse con mayor
Figura 5. Comparacin entre predicciones (modelo calibrado mediante lsqnonlin) y mediciones de las
variables del modelo en el tiempo de fermentacin
228 Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM
Garduo-Garca A., Lpez-Cruz I.L., Martnez-Romero S., Ruz-Garca A.
Figura 6. Comparacin entre predicciones (modelo calibrado mediante evolucin diferencial) y mediciones
de las variables del modelo en el tiempo de fermentacin
precisin. En contraste, la maltosa, maltotriosa y etanol dientes a una temperatura de 16C, se esperaba encontrar
son subestimadas por el modelo tomando en cuenta la una diferencia significativa entre los valores simulados y
estadstica sesgo. Esto, sin embargo, es vlido slo para los valores medidos de las concentraciones de las varia-
la maltotriosa como puede notarse en la figura 5 y en el bles de estado del modelo (figura 6), de esta manera sur-
bajo valor del ndice de eficiencia (EF) y coeficiente de gi la necesidad de realizar una estimacin de los
correlacin obtenido para esta variable. El ajuste entre parmetros del modelo. En las figuras 5 y 6 puede obser-
predicciones y mediciones en el caso de maltosa y eta- varse que la calibracin del modelo en general es acepta-
nol fue bastante preciso como puede verificarse en los ble debido a que los resultados fueron similares usando
valores obtenidos para las estadsticas ndices de efi- un algoritmo de optimizacin local y un mtodo de opti-
ciencia y coeficiente de correlacin. mizacin global (rutinas lsqnonlin y evolucin diferen-
En la figura 6 se muestra la comparacin entre los cial), ya que en los dos casos al comparar las simulaciones
valores de las variables del modelo medidas y simula- con las mediciones de las variables, puede observarse
das con respecto al tiempo de fermentacin, en donde que se reproduce de manera general la tendencia de cada
la simulacin se realiz con los parmetros cinticos variable durante el proceso de fermentacin.
estimados mediante el algoritmo de evolucin diferen- En general, de acuerdo con las estadsticas de ajuste
cial para una temperatura de 21C. del modelo calibrado, en las tablas 4 y 6 se observa que
En la tabla 5 se muestran los valores estimados de es un buen predictor de la variable de estado glucosa,
los parmetros y de la funcin minimizada F() de la ya que en ambos casos de calibracin se tiene un coefi-
ecuacin 15 en cada una de las optimizaciones realiza- ciente de correlacin (r) cercano a 1 y un sesgo cercano
das mediante evolucin diferencial. a cero, as como una alta eficiencia (EF).
En la tabla 6 se encuentran las estadsticas de ajuste De la misma forma, en las tablas 4 y 6, de acuerdo
entre el modelo ya calibrado con evolucin diferencial con el coeficiente de correlacin (r) y la eficiencia (EF),
y los datos medidos para cada una de las variables de el modelo es un buen predictor de la variable etanol,
estado y la variable de salida. ya que ambos tienen un valor cercano a 1, sin embar-
El rango de la temperatura de fermentacin dentro go, tambin puede observarse que esta variable tiene
del cual se desarroll el modelo de Gee y Ramirez (1988) valores relativamente grandes para el resto de las esta-
tiene una variacin importante con respecto al rango de dsticas (BIAS, MAE y MSE), lo cual es probable que se
temperatura de fermentacin de cerveza artesanal; en deba a la diferencia entre las concentraciones medidas
consecuencia, cuando se realizaron las simulaciones pre- y estimadas alrededor de las 35 y 50 h en el proceso de
vias utilizando los valores de los parmetros correspon- fermentacin (figuras 5 y 6) que fueron posiblemente
Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 229
Simulacin del proceso de fermentacin de cerveza artesanal
Tabla 5. Valores de los parmetros cinticos del modelo calibrado mediante evolucin diferencial para 20 optimizaciones
Nm. de
optimizacin VG VM VN KG KM KN F ()
Tabla 6. Estadsticas de ajuste del modelo calibrado mediante evolucin diferencial para una temperatura de 21C
Variable de
estado BIAS MAE EF RMSE r
230 Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM
Garduo-Garca A., Lpez-Cruz I.L., Martnez-Romero S., Ruz-Garca A.
cuenta los efectos de la introduccin de cambios en la Gee D.A., Ramirez W.F. Optimal Temperature Control for Batch
temperatura ambiental. Beer Fermentation. Biotechnology and Bioengineering, volumen
Otro resultado obtenido, es la dinmica del compor- 31,1988: 224-234.
tamiento de cada una de las variables durante el tiempo Hepworth. N., Brown A.K., Hammond J.R.M., Boyd J.W.R., Var-
de fermentacin, la importancia de esto radica en el he- ley J. The Use of Laboratory-Scale Fermentations as a Tool for
cho de que en futuras investigaciones, se tendr una re- Modelling Beer Fermentations. Trans IChemE, volumen 81,
ferencia ms exacta para determinar los tiempos y el marzo 2003: 50-56.
nmero de mediciones en los intervalos donde suceden Lpez M.H. Cerveza casera, Victoria BC, Trafford, 2007, pp. 66-71.
cambios significativos en el comportamiento de esas va- Lpez-Cruz I.L., Ramrez-Arias A., Rojano-Aguilar A. Anlisis de
riables. Lo anterior incluye modelos ms complejos que sensibilidad de un modelo dinmico de crecimiento para le-
contengan un mayor nmero de variables de estado y chugas (Lactuca sativa L.) cultivadas en invernadero. Agrocien-
modelos ms simples como los de caja negra, ya que de cia, volumen 38, 2004: 613-624.
igual manera, al conocer la dinmica del proceso de fer- Madar J., Abonyi J., Szeifert F. Interactive Evolutionary Computa-
mentacin, tambin pueden elegirse de forma ms efi- tion in Process Engineering. Computers and Chemical Enginee-
ciente los tiempos de muestreo en los cuales se realizar ring, volumen 7, 2005: 1591-1597.
la medicin de las variables. Oonsivilai R., Oonsivilai A. Temperature Profile in Fermenting
Como comentario final, para trabajos posteriores es Process Using Differential Evolution, en Recent Advances, en:
recomendable determinar la concentracin de biomasa Energy & Environment (5th, 2010, University of Cambridge,
mediante el peso seco de las levaduras, para obtener di- UK). Proceedings of the 5th IASME/WSEAS International
rectamente las unidades en masa por unidad de volumen. Conference on Energy & Eenvironment, United States,
WSEAS, 2010, 455 p.
Price K., Storn R., Lampinen J. Differential Evolution: A Practical Ap-
Referencias
proach to Global Optimization, New York, Springer, 2005, pp. 37-131.
Bamforth Ch.W., Russell I., Steward G.B. A Quality Perspective, San Ramirez W.F.,Maciejowski J. Optimal Beer Fermentation. Journal
Diego, Academic, 2008, pp. 61-83. Institute of Bewing, volumen 113 (nmero 3), 2007: 325-333.
Defernez M., Foxall R.J., OMalley C.J., Montague G., Ringa S.M., Saltelli A., Chan K., Scott E.M. Sensitivity Analysis, Chichester, UK,
Kemsley E.K. Modelling Beer Fermentation Variability. Jour- John Wiley & Sons Ltd., 2000, pp. 81-100
nal of Food Engineering, volumen 83, febrero 2007: 167-172. Trelea I.C., Titica M., Landaud S., Latrille E., Corrieu G., Cheruy
Doran P.M. Bioprocess Engineering Principles, San Diego, Academic A. Predictive Modelling of Brewing Fermentation: Fromk-
Press, 2002, pp. 405-407. nowledge-Based to Black-Box Models. Mathematics and Com-
Engasser J.M., Marc I., Moll M., Duteurtr B. Kinetic Modeling of puters in Simulation, volumen 56, 2001: 405-424.
Beer Fermentation, en: EBC Congress (18th, 1981, Copenha- Vogt E. La fabricacin de vinos, Zaragoza, Acribia, 1972, pp. 262-263.
gen), pp. 579-586. Xiao J., Zhou Z., Zhang G. Ant Colony System Algorithm for the
Gee D.A., Ramirez W.F. A Flavour Model for Beer Fermentation. Optimization of Beer Fermentation Control. Journal of Zhe-
Journal Institute of Bewing, volumen 100 (nmero 5), 1994: jiang University SCIENCE, volumen 5 (nmero 12), diciembre
321-329. 2004: 1597-1603.
Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 231
Simulacin del proceso de fermentacin de cerveza artesanal
232 Ingeniera Investigacin y Tecnologa, volumen XV (nmero 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM