XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre RS, 1o 4 de Outubro de 2017

TCNICAS DE CONTROLE NO-LINEAR APLICADAS EM PROCESSO DE

REAO BIOQUMICA

Daniel Barbuto Rossato, Karl Heinz Kienitz, Takashi Yoneyama

R. Jaguar Mirim, 71
Faculdade de Tecnologia SENAI Mariano Ferraz
So Paulo, SP, Brasil

Pa Marechal Eduardo Gomes, 50
Instituto Tecnolgico de Aeronutica
So Jos dos Campos, SP, Brasil

Emails: daniel.rossato@sp.senai.br, kienitz@ita.br, takashi@ita.br

Abstract This paper reports on the application and analysis of two techniques of non-linear control: fuzzy
logic (FL) and sliding mode (SM) to control biochemical reactions. Using computational simulation, comparisons
were made among these two non-linear techniques and PID control, showing better results both in performance
and robustness.
Keywords Fuzzy Logic Control, Sliding Mode Control, Biochemical Reaction, Process Control

Resumo Este trabalho descreve a aplicao e anlise de duas tcnicas de controle no-linear: lgica ne-
bulosa e modos deslizantes para o controle de reaes bioqumicas. Atravs de simulao computacional foram
realizadas comparaes entre estas tcnicas no-lineares e controle PID, mostrando resultados superiores tanto
em desempenho quanto em robustez.

Palavras-chave Controle por Lgica Nebulosa, Controle por Modos Deslizantes, Reao Bioqumica, Con-
trole de Processos

1 Introduo 2 Modelo nominal

A reao bioqumica um processo de reao en-
tre dois componentes: a biomassa (em geral, bac-
trias) e o substrato (consumido pela biomassa).
So exemplos de reaes bioqumicas: processos
de fermentao, no qual as clulas consomem a-
car e produzem lcool, processos de decomposio
de lixo em aterros sanitrios e processos de trata-
mento de efluentes.
H diversos fatores complicadores no controle de
processos bioqumicos, tais como: complexidade
da modelagem do sistema, envolvendo equaes
diferenciais no-lineares e at parciais, a situao
de esgotamento (washout), a adoo da varivel
manipulada, a medio/estimao das variveis de
estado, entre outros.
Sistemas industriais se valem de controladores
PID, que possuem limitaes de desempenho,
principalmente ao atuar em regies mais distantes
do ponto de equilbrio. Neste caso, controladores
no-lineares podem obter melhor resultado.
Neste trabalho, foi adotado um modelo no-linear
simplificado aplicvel a diversos processos bioqu-
micos industriais, descrito na seo 2. A seguir,
discutida a escolha das variveis da malha de
controle em termos de controlabilidade. Na seo
4, aplica-se um controlador PID, para obter uma
referncia em relao ao desempenho dos contro-
ladores no-lineares, descritos na seo 5 - lgica
nebulosa, e na seo 6 - modos deslizantes. Por
fim, so realizadas anlises comparativas de de-
sempenho na seo 7 e de robustez na seo 8.
Ser descrito sucintamente o processo fsico a ser
controlado, bem como ser obtido o modelo no-
linear do sistema com os parmetros nominais. A
modelagem dinmica do biorreator seguir a des-
crio de (Bequette, 1998) onde as seguintes hip-
teses simplificadoras so adotadas para a modela-
gem: o biodigestor um reator selado; a agitao
dentro do reator perfeita; a reao uniforme
e apenas bioqumica; o volume do reator cons-
tante; a temperatura no reator constante; o pH
da mistura no reator constante; a vlvula pos-
sui comportamento linear, com ganho unitrio e
dinmica rpida, desprezvel em relao din-
mica do processo. Os dados do biorreator para
simulao e controle foram obtidos de (Agrawal
& Lim, 1984). Modelos mais completos e deta-
lhados podem ser encontrados por exemplo em
(Fedailaine et al., 2015), para estudo da liberao
do gs metano no processo de tratamento de re-
sduos orgnicos e em (Andres-Toro et al., 1998),
para estudo de processo de fermentao na fabri-
cao industrial de cerveja.
Considere o sistema de controle da reao bioqu-
mica dado pela figura 1. No biodigestor ocorre
o crescimento da populao de microorganismos
(biomassa) a partir do substrato. Considera-se
que a reao contnua (desejvel nos casos em
que a biomassa ou um produto da reao deva
ser otimizado). O controle pode ser realizado
realimentado-se a concentrao da biomassa (X),
tendo por valor desejado Xd , ou o substrato (S),

ISSN 2175 8905 164

 XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
sendo o valor desejado Sd . O sistema possui dois A taxa de reao r2 do consumo do substrato :
graus de liberdade, isto , pode ser controlado r1
usando a vazo de entrada F (geralmente usa-se r2 = , (5)
Y
a taxa de diluio D, que a vazo normalizada) onde Y o resultado (yield), ou relao, entre a
como varivel manipulada ou a concentrao do massa de clulas produzidas pela massa de subs-
substrato na entrada (Sf ). Neste caso, ser con- trato consumido e assumido como sendo cons-
trolada a biomassa (X) atravs da vazo de en- tante.
trada (D) por possuir melhor controlabilidade. A Definindo a taxa de diluio D = F/V (o que
justificativa se encontra na seo 3. torna o sistema adimensional, ou seja, indepen-
dente do volume do reator) e considerando que,
em geral, o material a ser alimentado no reator
no possui biomassa (x1f = 0), ento as equaes
de balano podem ser escritas como:
x1 = ( D)x1
(6)
x2 = D(x2f x2 ) x1 /Y.
Considerando o sinal de entrada u = D, ou seja,
variao em torno da taxa de diluio Ds , pode-
mos reescrever as equaes como:
x1 = x1 x1 (Ds + u)
(7)
x2 = x1 /Y + (x2f x2 )(Ds + u).
Os valores dos parmetros do processo, conside-
Figura 1: Reator bioqumico, adaptado de (Zhao rando o coeficiente dado pela equao de cresci-
& Skogestad, 1994) mento com inibio do substrato, so dados pela
tabela 1. A ltima coluna se refere variao
possvel do parmetro para efeito de anlise de
Adotando x1 = X - concentrao da biomassa
perturbao do sistema.
(massa de clulas por volume), x2 = S - concen-
trao do substrato (massa de substrato por vo-
lume), r1 - taxa de gerao de clulas (massa de Tabela 1: Parmetros nominais do processo
clulas geradas por volume por tempo), r2 - taxa Parmetro Valor Unidade Variao
de consumo de substrato (massa de substrato con-
sumido por volume por tempo), F - vazo volum- Ds 0,30 [h1 ] 20%
trica (volume por tempo), V - volume da mistura x2f 4,00 [g/L] 20%
no reator. max 0,53 [h1 ] 10%
A equao de balano de material da biomassa (X) km 0,12 [g/L] 20%
: k1 0,45 [L/g] 20%
dV x1 Y 0,40 [g/g] 25%
= F x1f F x1 + V r1 , (1)
dt
onde x1f a concentrao da biomassa no mate- Substituindo os valores nas equaes, tem-se:
rial de entrada do reator. A equao de balano 0, 53x1 x2
de material do substrato (S) : x1 = 0, 3x1 x1 u
0, 45x22 + x2 + 0, 12
dV x2 1, 325x1 x2
= F x2f F x2 V r2 , (2) x2 = 0, 3x2 + 1, 2 (x2 4)u.
dt 0, 45x22 + x2 + 0, 12
(8)
onde x2f a concentrao do substrato na entrada
Este sistema no-linear possui trs pontos de equi-
do material no reator (Sf ). A taxa de reao r1
lbrio. Analisando os autovalores da matriz Jaco-
do crescimento da biomassa :
biana de cada ponto de equilbrio tem-se:
r1 = x1 , (3) 1. N estvel: x1 = 0, 000, x2 = 4, 000;

onde o coeficiente de taxa de crescimento es- 2. Ponto de sela: x1

= 0, 988, x2
= 1, 529;
pecfico, com unidade [tempo1 ]. Considerando 3. N estvel: x1
= 1, 530, x2
= 0, 174.
crescimento com inibio do substrato, comum em
O ponto de equilbro 1 deve ser evitado pois, nesta
processos de fermentao e tratamento biolgico
condio, a concentrao de biomassa nula, ou
de resduos (Edwards et al., 1972), este coeficiente
seja, a dinmica da reao bioqumica est parada
dado por (Bailey & Ollis, 1986):
(washout). A figura 2 mostra o plano de fase do
max x2 sistema (x = x1 , y = x2 ) e os pontos de equilbrio.
= . (4)
km + x2 + k1 x22

165
 XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
Figura 2: Plano de fase do processo
3 Anlise de Controlabilidade
Estudos sobre a escolha mais adequada das vari-
veis manipulada e controlada de uma reao bi-
oqumica podem ser encontrados por exemplo em
(Edwards et al., 1972), (Agrawal & Lim, 1984)
e (Zhao & Skogestad, 1994). Procedendo a uma
anlise similar realizada por (Zhao & Skoges-
tad, 1994) conclui-se que a melhor estratgia em
termos de controlabilidade utilizar o turbidos-
tato convencional, ou seja, controlar a concentra-
o de biomassa (X) atravs da manipulao da
taxa de diluio (D). Esta estratgia conveni-
ente por possuir tecnologia mais simples para ser
implementada e ser de ampla utilizao (Edwards
et al., 1972).
Para uma anlise da controlabilidade, considere
o modelo linearizado em torno de um ponto de
equilbrio:
y(s) = G(s)u(s) + Gd d(s)
com os sinais de sada(y), entradas(u) e perturba-
es (d) como variaes em torno da condio de
equilbrio.
Dd
   
x1 D sf d
y= u= d= (10)
x2 sf
Y P DGijk =
Foram consideradas como variveis de perturba-
o, as perturbaes sobre as variveis manipula-
das D e sf e a variao dos parmetros e Y.
A matriz de transferncia entrada-sada, para o
ponto de equilbrio 3 (x1e = 1, 53, x2e = 0, 17) :
1,53s0,46 0,26
s2 +2,57s+0,68 s2 +2,57s+0,68
G(s) = (11)
3,83s+1,15 0,3s5,77e6
s2 +2,57s+0,68 s2 +2,57s+0,68
Escalonando as matrizes de transferncia em
relao mxima variao:
 1  
0 x1 0 D 0
G = G (12)
0 x2 0 sf
 1 Dd 0
0 x1 0 sf d
Gd = Gd
0 x2
0 Y
(13)
sendo a mxima variao das sadas: x1 =
10%x1 , x2 = 20%x2 ; a mxima variao das en-
tradas: D = 30%D, sf = 35%sf ; e a mxima
variao das perturbaes dadas na tabela 1.
As matriz de ganhos estacionrios em termos das
variveis escalonadas so:
 
0 2, 02 1, 4
G (0) = (14)
2, 53 0
 
1, 35 0, 80 0, 67 9, 57
G0d (0) = (15)
1, 68 0 0, 84 0
Analisando-se as matrizes, conclui-se que, como
G022 (0) = 0, o uso de sf para controlar x2 no
possvel. Alm disso, para melhor controla-
bilidade interessante que o ganho na matriz
entrada-sada (G0 ) seja maior do que o ganho na
matriz de perturbao (G0d ), o que no acontece
para variaes em Y, pois G0d 14 (0) = 9, 57,
sendo este, portanto, um parmetro crtico a ser
considerado no projeto do controlador. Neste
sentido, usar D como varivel manipulada mais
interessante (elimina-se o uso de G012 (0) = 1, 4),
porm no possvel decidir sobre o uso da
varivel x1 ou x2 por possurem ganhos muito
prximos (G011 (0) = 2, 02 e G021 (0) = 2, 53).
Ser realizado ento, uma anlise do efeito da
perturbao sobre a varivel no controlada,
(9) ou seja, ao se adotar, por exemplo a varivel
x1 para realimentao e controle, examina-se o
comportamento da varivel x2 (no controlada)
considerando-se os sinais de entrada constantes.
Ser utilizado como medida, o PDG (Partial
Disturbance Gain) descrito em (Skogestad &
Wolff, 1992) e definido como:

yi

= G1 Gd jk / G1 ji
   
dk uj ,yl6=i
(16)
Os resultados do PDG em estado estacionrio
encontram-se na tabela 2. Para ser aceitvel,
o PDG deve ser menor do que 1, em todas as
frequncias (em particular no estado estacion-
rio). Portanto, elimina-se o uso de sf x2 e
D x2 . Nota-se que o esquema de variveis
D x1 possui sensibilidades menores do que
sf x1 , sendo portanto a combinao de va-
riveis mais adequada levando-se em considerao
tanto a anlise do PDG quanto a anlise dos ga-
nhos estacionrios.
166
 XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017

Tabela 2: PDG
Var.: sf x2 D x2 sf x1 D x1
dk P DG11k P DG12k P DG21k P DG22k
D -1,3 0 0,9 0
sf 0 1,4 0 -8e-6
Figura 3: Diagrama de blocos com Fuzzy-PI
0,7 4e-4 -0,5 0
Y 0 17,3 0 -1e-4
(Sugeno, 1985). Para a entrada 1 (e), foram esta-
belecidas as variveis nebulosas "neg"e "pos"com
4 Aplicao do controle PID funes de pertinncia triangulares e range de -1
a 1, conforme figura 4. Para a entrada 2 (dX),
Para realizar uma comparao com as tcnicas
adotou-se variveis nebulosas "neg"e "pos", tam-
no-lineares, foi aplicado um controlador PID,
bm com funes triangulares, porm com range
para cujo ajuste de ganhos foi utilizado o mo-
de -0,2 a 0,2, conforme figura 5. Para a sada (dS)
delo linearizado em torno do ponto de equilbrio 3
foram adotadas trs variveis nebulosas constan-
(x1e = 1, 53, x2e = 0, 17).
tes: oN = 0, 6; oZ = 0; oP = 0, 6. Este valo-
A funo de transferncia neste caso dada por:
res foram escolhidos conforme a variao mxima
x1 1, 53s 0, 46 possvel no sinal de controle (u = D). A escolha
G(s) = = 2 . (17) desta configurao visa obter um controlador sim-
D s + 2, 57s + 0, 68
ples, mas eficaz, funcionando como um otimizador
Os polos so: -0,30 e -2,27, e o zero -0,30, ou no-linear do erro.
seja, h cancelamento polo/zero, sendo a funo
simplificada:
x1 0, 67 K
G(s) = = = . (18)
D 0, 44s + 1 s + 1
O ajuste dos ganhos do PID foi realizado usando
o mtodo IMC (Chien & Fruehauf, 1990):

/K
KC = ; TI = ; TD = 0. (19)

Para a escolha de , buscou-se levar em conside-
Figura 4: Funes de pertinncia das variveis da
rao o valor que melhor atendesse os requisitos
entrada 1
de desempenho:
Limites da ao de controle: 0 < D < 0, 6h1
Erro estacionrio mximo = 0,1%;
Sobressinal mximo = 10%;
Menor tempo de acomodao possvel.
Para = 1, 2h, foram obtidos:

KC = 0, 54; TI = 0, 44; TD = 0. (20)

5 Controle por lgica nebulosa Figura 5: Funes de pertinncia das variveis da

entrada 2
A primeira tcnica no-linear aplicada foi o con-
trole por lgica nebulosa na configurao chamada Analisando a dinmica do sistema, foram estabe-
Fuzzy-PI (Nascimento & Yoneyama, 2000). lecidas as regras do sistema nebuloso.
Foram adotadas como entradas do sistema nebu-
loso: (1) erro (e = XD X), (2) variao da con- if (e=neg) AND (dX=pos) then (dS=oP)
centrao (dX/dt) com filtro passa-baixas. Como
sada foi adotada a variao da taxa de diluio if (e=neg) AND (dX=neg) then (dS=oZ)
na entrada do reator (D). A figura 3 mostra o
diagrama de blocos do controlador no Simulink. if (e=pos) AND (dX=pos) then (dS=oZ)
Para a configurao do sistema nebuloso, foi ado-
tada a mquina de inferncia de Takagi-Sugeno if (e=pos) AND (dX=neg) then (dS=oN)

167
 XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
6 Controle por modos deslizantes O valor de foi escolhido para manter a distn-
cia da vizinhana da superfcie de deslizamento
A tcnica de modos deslizantes permite o controle dentro do valor do erro estacionrio. O valor de
robusto de um sistema no-linear atravs do des- foi escolhido de modo a se ter uma correo
lizamento dos estados sobre uma superfcie pr- robusta e rpida, sem elevar demais o ganho k, e
definida (Utkin, 1992). o valor de foi escolhido para se ter um tempo
O modelo nominal dado por: de resposta suficientemente rpido. Aps ajustes
nos valores iniciais, foram obtidos:
x1 = f1 + g1 u
(21)
x2 = f2 + g2 u. = 20; = 5; = 0, 1. (31)
Foi adotada a seguinte superfcie de controle: Na prtica, como ser controlada apenas a vari-
vel x1 (concentrao da biomassa), a superfcie de
s = x1 + x2 , (22) deslizamento implementada foi: s = (x1d x1 ).
Tambm foi adotado x2d = 0.
onde xi = xid xi , e xid o valor desejado do
estado xi (i=1,2).
Fazendo s = 0, e substituindo no modelo, tem-se: 7 Anlise de desempenho

x1d + x2d f1 f2 Nas simulaes, foram usadas duas condies

u = . (23)
g1 + g2 iniciais: uma entre os pontos de equilbrio 1 e 2,
e outra entre os pontos de equilbrio 2 e 3:
Devido s incertezas de modelagem, o sistema
no estar perfeitamente em cima da superfcie
   
1 0, 5 2 1, 2
de controle e ser utilizado uma descontinui- x (0) = ; x (0) = . (32)
3, 0 0, 7
dade do tipo saturao, com limites e +
para manter o sistema na vizinhana da superf- A primeira condio inicial visa observar o com-
cie s. O sinal de controle fica (Slotine & Li, 1991): portamento do sistema de controle para evitar a
situao de esgotamento (washout) eminente. A
u = u k.sat(s/), (24) segunda condio inicial tem por objetivo obser-
var como o sistema de controle ir evitar a ten-
de forma a obedecer: dncia de estacionar no ponto de equilbrio estvel
1 d 2 alm de verificar se as tcnicas no-lineares tero
s |s|. (25) melhor desempenho mesmo em uma regio inicial
2 dt
prxima do ponto de equilbrio para o qual os ga-
O fator k deve ser escolhido de modo a se ter nhos do PID foram ajustados.
um ganho suficientemente alto para alcanar Para verificar o desempenho, foi aplicado um de-
rapidamente a superfcie de controle a despeito grau unitrio de setpoint no instante inicial e para
das incertezas de modelagem e perturbaes. verificar a rejeio a perturbao, foi aplicado um
Para isso, ser calculado: degrau de amplitude -0,5 em Sf , no instante 40 h.
1 d 2 O sinal de sada pode ser observado na figura 6
s = ss. (26) para a condio inicial 1 e na figura 8 para a con-
2 dt
dio inicial 2. O sinal de controle pode ser ob-
Substituindo as equaes da superfcie de con-
servado nas figuras 7 e 9. A resposta com con-
trole, aps algumas manipulaes algbricas
trole PID tem um sobressinal bem maior do que
obtm-se:
o valor especificado, gerando tambm um maior
+ F1 + F2 esforo de controle. Esse comportamento provm
k= , (27) da atuao do controlador linear em uma regio
(g1 + g2 )
inicial distante do ponto de equilbrio para o qual
onde F1 = f1 f1 e F2 = f2 f2 . Considerando a foi ajustado. A resposta do controlador Fuzzy-PI
incerteza de modelagem somente em Y, variando tem bom desempenho tanto ao seguir o setpoint
de 0,4 para 0,3, temos que: F1 = 0 e F2 = 0, 5x1 . quanto para rejeio da perturbao. J o o con-
Portanto, a lei de controle, fica: trole por modos deslizantes possui tempo de res-
posta menor da condio 2 do que na condio
u = u k.sat(s/), (28) 1. Esse comportamento pode ser explicado pelo
com: fato da superfcie de controle ser formada pelos
0,53x1 x2 dois estados:x1 e x2 , mas somente um deles estar
+ 0, 5 0,45x 2 +x +0,12
2
2
k= , (29) sendo controlado diretamente (x1 ). Nota-se tam-
x1 + x2 4
bm o excepcional desempenho do controle por
x2d + x1d + x10,45x
x2 (1,3250,53)
2 +x +0,12 + 0, 3(x2 + x1 ) 1, 2 modos deslizantes para rejeio perturbao de-
2 2
u = vido ao alto ganho utilizado para trazer o estado
x1 + x2 4
(30) para a superfcie de controle.

168
 XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
Figura 6: Resposta para condio inicial 1
Figura 7: Sinal de controle, condio inicial 1
8 Anlise de robustez
Para analisar a robustez, foi considerado como in-
certeza no-estruturada, o atraso na resposta do
medidor:
GM = es , = 0, 1h (33)
Como incerteza paramtrica foi considerada a va-
riao no coeficiente Y de -25% (0,4 para 0,3).
O sinal de sada pode ser observado na figura 10
para a condio inicial 1 e na figura 12 para a con-
dio inicial 2. O esforo de controle pode ser ob-
servado nas figuras 11 e 13. Em relao ao modelo
nominal, observa-se a degradao no desempenho
dos modos deslizantes devido incluso do atraso
na medio, levando o controlador a ter maior di-
ficuldade de permanecer na superfcie de controle
por utilizar alto ganho para a realizao dessa ope-
rao, gerando chattering, ou seja, rpida variao
na varivel manipulada. Destaca-se tambm que
o Fuzzy-PI manteve o bom desempenho.
9 Concluses
Das trs tcnicas aplicadas, o controle nebuloso
mostrou desempenho robusto, com valores den-
tro dos critrios esperados para todos os casos.
Destaca-se que, com o controle PID, no foram
169
Figura 8: Resposta para condio inicial 2
Figura 9: Sinal de controle, condio inicial 2
atingidos valores de sobressinal satisfatrios de-
vido sua limitao da regio em torno do ponto
de equilbrio para o qual foi ajustado. O controle
por modos deslizantes permitiu obter excepcional
desempenho na robustez incerteza de parme-
tros e na resposta a perturbaes (controle regu-
latrio), porm mostrou aparecimento de chatte-
ring quando inserido atraso na medio da vari-
vel controlada. Por isso, para aprofundamento do
trabalho, ser buscado o aperfeioamento do con-
trole por modos deslizantes para lidar com atrasos
no processo.
Devido ao seu bom desempenho, ser analisada a
validade dos resultados do controlador Fuzzy-PI
para outras aplicaes e classes de sistemas no-
lineares.
Referncias
Agrawal, P. & Lim, H. (1984). Analysis of va-
rious control schemes for continuous biore-
actors, Advances in Biochemcial Enginee-
ring/Biotechnology (30): 6290.
Andres-Toro, B. et al. (1998). A kinetic model for
beer production under industrial operational
conditions, Mathematics and Computers in
Simulation (48): 65.
 XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017

Figura 10: Resposta para condio inicial 1 Figura 12: Resposta para condio inicial 2

Figura 11: Esforo para condio inicial 1 Figura 13: Esforo para condio inicial 2

Bailey, J. & Ollis, D. (1986). Biochemical Engi- Slotine, J. & Li, W. (1991). Applied Nonlinear
neering Fundamentals, 2 edn, McGraw-Hill, Control, Prentice-Hall, New Jersey.
New York.
Sugeno, M. (1985). Industrial Applications of
Bequette, B. (1998). Process Dynamics: Mode- Fuzzy Control, Elsevier, Amsterdam.
ling, Analysis and Simulation, Prentice-Hall,
New Jersey. Utkin, V. (1992). Sliding Modes in Control and
Optimization, Springer-Verlag, Berlin.
Chien, I.-L. & Fruehauf, P. (1990). Consider IMC
tuning to improve controller performance, Zhao, Y. & Skogestad, S. (1994). A compari-
Chem.Eng.Proc. (86): 33. son of various control schemes for continuous
bioreactor, Proc. of IFAC Symposium AD-
Edwards, V. et al. (1972). Dynamics and control CHEM94 . Kyoto, Japan.
of continuous microbial propagators to sub-
ject substract inhibition, Biotechnology and
Bioengineering (14): 939974.
Fedailaine, M. et al. (2015). Modeling of the
anaerobic digestion of organic waste for bi-
ogas production, Procedia Computer Science
(52): 730.
Nascimento, C. & Yoneyama, T. (2000). Inteli-
gncia Artificial em Controle e Automao,
Blucher, So Paulo.
Skogestad, S. & Wolff, E. (1992). Controllabi-
lity measures for disturbance rejection, Proc.
of IFAC Workshop on Interactions Between
Process Design and Control pp. 2329.

170