CAPITULO 16

Introducción a la Fermentación o Dinámica de las transformaciones microbianas:

Conceptos básicos

J.M. Bruno-Bárcena1, *, E. Picó-Marco2, J. Picó-Marco2

1
-------------.
2
DISA (Departamento de Ingeniería de Sistemas y Automática), Universidad
Politécnica de Valencia, Camino de la Vera s/n, 46022, Valencia, España.

*Corresponding author: phone: (+34) 96 3900022, fax: (+34) 96 3636301,

e-mail: jbruno@iata.csic.es
Abstract

Los procesos biotecnológicos (de fermentación) son procesos que presentan un

comportamiento dinámico complejo. La comprensión de su evolución temporal, la
determinación de los parámetros que la determinan, la predicción y el control de la
misma son problemas a los que el biotecnólogo se enfrenta habitualmente.
Un concepto recurrente a lo largo de las secciones siguientes será el de comportamiento
dinámico. Se trata del tipo de comportamiento que presentan los procesos
biotecnológicos, y determina el tipo de modelos y herramientas matemáticos a utilizar.
La comprensión de este punto y las implicaciones en su modelado y control son objeto
principal de este capítulo. Hemos tratado a lo largo de todo el texto de definir tanto
conceptos como propiedades básicas que son utilizadas para llevar a cabo el estudio y,
finalmente, un control efectivo del desarrollo de las poblaciones de microorganismos en
condiciones controladas de crecimiento.

Introducción

Durante siglos las distintas civilizaciones han provocado de forma artesana la

transformación, fermentación tradicional o biotecnología, de distintas materias primas
como leche, zumo de uva, harina de trigo, cebada... Con ello conseguían aumentar su
digestibilidad o su periodo de conservación. En este tiempo se desconocían algunos de
los secretos que provocaban estas transformaciones como, por ejemplo, el hecho de que
eran microorganismos los agentes causantes de dichos procesos. Hoy, dichos
microorganismos no son tan sólo utilizados para realizar fermentaciones en el sentido
tradicional, sino que en la biotecnología moderna también han sido modificados
genéticamente y utilizados para realizar otro tipo de aplicaciones. Por ejemplo, como
huéspedes para la expresión de biomoléculas de interés. Actualmente, se continúa
percibiendo el mundo de las fermentaciones tradicionales como un área empírica y
ligada a la transferencia de recetas que imprimen la calidad de lo natural al producto
final. Pero, por contra, como resultado de los avances en el conocimiento científico-
tecnológico, en la actualidad nos encontramos en condiciones de realizar de forma
controlada tanto transformaciones para la consecución de productos tradicionales, como
transformaciones que originen nuevos productos y, en estos casos, la calidad puede
realmente ser asegurada y mantenida. Para llegar a este punto, la biología lleva mucho
tiempo enfrentándose a un gran número de dilemas experimentales y de análisis
conceptual en la búsqueda e identificación clara de los patrones causa-efecto y en la
reproducción de los fenómenos biológicos observados. Históricamente esta búsqueda
dio origen, en los comienzos de la microbiología, y gracias al desarrollo del primer
microscopio por Leeuwenhoek (1684) a la visualización e identificación de las
diferentes formas de los microorganismos. Este hecho sirvió como una evidencia en la
defensa de la tesis a favor de una existencia pleomórfica de la vida microbiana, tesis que
fue felizmente refutada dos siglos después gracias a los trabajos de Pasteur (1857),
Koch, y a los aportes de Lister (1878) y Tyndall en aislamiento y esterilidad y,
finalmente, por la contribución de Winogradsky (1887) al desarrollar una técnica
microscópica de cultivo. Una vez que estuvieron disponibles las técnicas y métodos
experimentales de cultivo, esterilidad, aislamiento, tinción y observación microscópica
se originó el estudio de los cultivos puros. Estos avances permitieron el progreso de la
microbiología en favor de las tesis monomorfistas, y se cerró la controversia sobre la
noción pleomórfica que apoyaba aún la teoría de la generación espontánea. Se originó a
partir de este momento un área de la microbiología que es denominada como la filosofía
del cultivo puro, la cual dio lugar a la moderna industria de fermentación, parte de la
nueva biotecnología.
Las transformaciones que ocurren durante los procesos de fermentación son
fenómenos complejos. Con el nombre de complejo nos referiremos, en general, a
sistemas compuestos por gran número de elementos interrelacionados. Así mismo,
algunas características asociadas al concepto de “complejidad” son gran variedad de
relaciones entre los diversos elementos, el carácter jerárquico de sus estructuras o el
funcionamiento y la organización como sistemas complejos.
Todo lo anterior es aplicable tanto a las comunidades de organismos cuyo
comportamiento afecta y se estudia en los procesos biológicos, como a otros sistemas
surgidos de la tecnología actual como es el caso de los ordenadores. El concepto de
complejidad ha provocado que a lo largo del siglo XX aparezcan disciplinas como la
teoría general de sistemas o la ingeniería de sistemas, que intentan analizar desde un
punto de vista matemático los fenómenos antes mencionados, y que parten del principio
de que es preferible una visión global del sistema aún a costa de perder detalles. Cabe
destacar, por su potencial aplicación a la biotecnología, la teoría de los sistemas
dinámicos y la de control automático, ambas fuertemente basadas en la teoría cualitativa
de ecuaciones diferenciales.
Así pues, disponemos de una comprensión cualitativa de los procesos más o
menos completa desde el punto de vista biológico, y de un bagaje de conocimientos
heurísticos que permiten razonar sobre cual debería ser el comportamiento esperable del
proceso, y cuales las acciones a realizar sobre el mismo a fin de perseguir unos
objetivos determinados como, por ejemplo, fijar una velocidad de crecimiento
específico, obtener una productividad determinada... El problema fundamental con el
que se encuentra el biotecnólogo radica en cómo cuantificar todos esos aspectos. Para
predecir la evolución temporal del proceso, hallar los parámetros que lo determinan e
influir en él (es decir, controlarlo), es necesario el uso de modelos matemáticos.
En el presente trabajo pretendemos dar una visión general de las áreas de
conocimiento más importantes implicadas en la consecución final de un producto.
Cualquiera sea la aplicación y la escala a la cual se realice un proceso con seres vivos, si
queremos reproducirlo, describirlo y controlarlo es necesario el aporte de las ciencias
biológicas, el modelado matemático y la ingeniería de control.
Las secciones siguientes tratan de presentar, junto a los conceptos familiares al
biotecnólogo, una serie de conceptos nuevos que abren las puertas al uso de potentes
herramientas matemáticas y de la ingeniería. Se pretende que el lector pueda abordar la
lectura y comprensión de cualquier tipo de proceso que implique tanto a la
biotecnología tradicional como a la moderna, e intentaremos transmitir los esfuerzos de
interacción que se requieren entre las diferentes disciplinas.

Crecimiento y cinética microbianos

La cinética microbiana estudia todas las manifestaciones dinámicas de la vida

microbiana como son crecimiento, supervivencia, muerte, adaptaciones, mutaciones,
formación de productos, ciclos celulares e interacciones con el medio ambiente y con
otros organismos. Cada característica a estudiar requerirá de unas premisas
determinadas ya que los organismos vivos son sistemas extremadamente complejos. El
estudio de las interacciones entre el microorganismo y el medio ambiente es lo que se
conoce tradicionalmente como fisiología microbiana y generalmente, como resultante
de estas interacciones, se generan procesos y/o productos de interés que serán
explotados por la biotecnología.
En general, las manifestaciones de la vida suelen expresarse como tasas
instantáneas (de crecimiento, de consumo de sustratos, de generación de productos) en
los casos donde la característica dinámica en estudio muestre una distribución continua
en la población. Los estudios cinéticos requieren de la percepción de los mecanismos
que intervienen en el proceso mediante la combinación de medidas experimentales y un
modelo matemático. Por ello, los aspectos cuantitativos del crecimiento microbiano
requieren de una herramienta esencial como es el modelo matemático (véase Aplicación
al modelado de una biorreacción más adelante). El modelo es la representación formal
de nuestro sistema particular y servirá para definir el posible mecanismo de la reacción
en estudio. Si ésto es así, el modelo será útil y permitirá la comparación entre lo
observado y lo que el modelo predice, pudiéndose descartar las hipótesis incorrectas e
incluso simular los posibles estados del sistema ante diferentes hipótesis. Por tanto, la
cinética microbiana plantea principios generales e intenta explicar el mundo microbiano
conociendo la evolución temporal de las variables y proponiendo modelos que las
describan, es decir, trata sobre las tasas y sobre la percepción de los mecanismos que
intervienen en los procesos.
El crecimiento de las poblaciones microbianas ha sido modelado mediante
expresiones o modelos de caja negra, que no tienen en cuenta las variables celulares
internas o factores internos, es decir, los procesos que tienen lugar en el interior de la
célula. En este tipo de modelos el crecimiento de los microorganismos se define
tradicionalmente como el incremento de material celular y es expresado en términos de
masa o número de células. En este contexto, el fenómeno de crecimiento dependerá así
mismo de la disponibilidad y existencia en el entorno de los nutrientes necesarios para
la célula y de su transporte al interior celular, en un medio ambiente que no impida el
desarrollo del proceso por la existencia de parámetros ambientales (temperatura, pH,
aireación,...), es decir variables o factores externos adversos para el microorganismo.
En estas condiciones, el proceso de división celular será el resultado de un complejo
número de etapas y mecanismos regulados que controlan el flujo de los metabolitos
requeridos para la síntesis de macromoléculas y que coordinan los procesos de
replicación cromosómica. La temporización de estos eventos es exquisitamente
coordinada por la célula y da lugar a un proceso de división celular perfectamente
ordenado.
 Para realizar el estudio cuantitativo del proceso de crecimiento se dispone de
métodos sencillos que nos permiten determinar el crecimiento de las poblaciones. Estos
métodos deberían considerar el modo de reproducción de las células bajo estudio. Así,
las células procariotas se reproducen por fisión binaria, sin que sea posible diferenciar
una célula madre y una hija. Por ello la edad máxima de cada célula es el lapso
comprendido entre dos replicaciones sucesivas. En el caso de los organismos eucariotas
deben distinguirse levaduras y hongos filamentosos. Las levaduras se dividen por
gemación, aunque poseen un ciclo de reproducción mediante esporas. La división
produce una célula hija y una célula madre diferenciables y, por tanto, el cultivo será
heterogéneo en cuanto a la edad y estado fisiológico. En el caso de los hongos
filamentosos se ve acentuado el proceso de reproducción mediante esporas pero,
además, el crecimiento en forma de hifas de estos organismos genera un conjunto
heterogéneo tanto desde la perspectiva física como fisiológica.
Todos estos fenómenos pueden ser analizados desde un punto de vista
matemático, si bien para ello es necesario conocer previamente algunos conceptos
básicos.

Sistema y señales

Con el fin de introducir las ideas que conforman el núcleo sobre el que se asienta la
teoría de modelado y control de sistemas dinámicos, se utilizarán dos ejemplos
ilustrativos habituales en el área de la biotecnología.

Ejemplo 1: mezcla y homogeneización de compuestos

En la figura 1 se muestra el esquema de un sistema de mezcla y homogeneización de

dos compuestos, consistente en dos depósitos de alimentación C1 y C2 y uno de
homogeneización. Cada uno de los primeros contiene una cierta concentración en los
compuestos A y B respectivamente. El caudal volumétrico q1 entrante desde el depósito
de alimentación de C1 puede modificarse manipulando el grado de apertura x1 de la
válvula correspondiente. El caudal q2 proveniente del deposito de alimentación de C2 no
es manipulable. Del depósito de homogeneización se extrae un cierto caudal qs , también
modificable manipulando la apertura xs de la válvula de salida, siendo el nivel de
líquido en el mismo h.
C1

C2

Figura 1: mezcla y homogeneización de compuestos

Ejemplo 2: Fermentación en batch

En la figura 2 se muestran los resultados correspondientes a varios ensayos de

crecimiento de una levadura en modo batch. Durante los mismos, las variables
ambientales (temperatura y pH) se mantuvieron constantes mediante controladores tipo
PID.

Figura 2: fermentación en modo batch

En ambos sistemas podemos encontrar dos tipos de magnitudes:

• Magnitudes cuyo valor está fuertemente ligado a la configuración física del sistema
y no varían con el tiempo o lo hacen muy lentamente, al menos en comparación
con otras magnitudes. Así, en el primer ejemplo, se incluirían coeficientes de
descarga de las válvulas, área de la base de los depósitos... y, en el segundo, la tasa
específica máxima de crecimiento, el rendimiento... Normalmente se considera que
dichas magnitudes, a las que llamaremos parámetros, son constantes. Pero, tanto en
los sistemas mecánicos como en los biológicos, aparecen fenómenos de desgaste y
envejecimiento más o menos pronunciados que pueden provocar variaciones en
ellas. Si se pueden considerar constantes durante el periodo de tiempo que dure
nuestro experimento o aplicación se dirá que el sistema es invariante, y en caso
contrario, el sistema será “variante en el tiempo”. Normalmente en los sistemas
biológicos los parámetros de la zona de crecimiento irrestricto, o zona exponencial
de crecimiento, son utilizados para su caracterización. Así, se dice que tal organismo
muestra una tasa especifica máxima de crecimiento determinada, una tasa de
consumo de sustrato, una tasa de generación de producto etc.
• Magnitudes que varían notablemente dando cuenta de la evolución temporal del
sistema. Tales magnitudes reciben, apropiadamente, el nombre de variables. Por
ejemplo, nivel de líquido en el depósito de homogeneización, caudales de entrada y
salida... en el primer ejemplo o concentraciones de biomasa, substrato, etanol y
actividad en el segundo. El valor tomado por estas magnitudes a lo largo del tiempo
recibe el nombre de señal.

Las variables pueden a su vez jugar distintos papeles. Para verlo es interesante empezar
con el caso más sencillo; aquel en el cual el sistema no recibe ninguna influencia del
exterior, es decir, es un sistema aislado o cerrado. Un ejemplo nos lo proporciona, si
obviamos el intercambio de gases con el exterior, el cultivo por lotes o batch. Si se
empieza con unas condiciones iniciales que no son de equilibrio, concentraciones
iniciales de substrato y biomasa distintas de cero, el sistema seguirá una determinada
evolución. Al no haber influencia externa, al no estar forzada desde fuera, diremos que
es una evolución libre. Es posible encontrar un conjunto de variables, en este caso las
concentraciones en el biorreactor de las distintas especies, cuyos valores en un instante
dado determinan la evolución futura del sistema. Estas variables caracterizan la
“situación” en la que se encuentra el sistema y por ello se suelen denominar variables
de estado, si bien también reciben el nombre de variables internas. En los sistemas
físicos, como los biotecnológicos, estas variables expresan acumulación de especies o
de energía y los sistemas dinámicos tienden en su evolución libre hacia estados de
mínima energía que se corresponden con estados de equilibrio. En el caso de los
sistemas aislados estáticos el conjunto de variables de estado es nulo. No presentan
evolución libre alguna.

¿Qué ocurre cuando el sistema no está aislado sino que interactúa con el exterior? En
este caso aparecen dos nuevas clases de variables:

1. Entrada: aquellas variables que influyen sobre el comportamiento del sistema,

independientemente de si corresponden o no a elementos que físicamente entran en
él. Así, en el primer ejemplo (véase la figura 1) serán variables de entrada el caudal
q2 y la apertura x1 de la válvula de alimentación de C1 pero ¡también la apertura xs
de la válvula de salida! dado que su valor influye sobre el volumen acumulado en el
depósito de homogeneización y su tiempo de residencia. Las señales de entrada, a su
vez, pueden ser:

• manipulables: se puede actuar sobre su valor y, por tanto, son las variables
que serán utilizadas para controlar el sistema. Por ejemplo x1 y xs son
variables de entrada manipulables en el primer ejemplo.
• no manipulables: no se puede modificar a voluntad su valor. Se trata de
perturbaciones. Así, tal como se ha planteado el ejemplo de la mezcla, el
caudal q2 es una perturbación. En muchas ocasiones las perturbaciones
tampoco se pueden medir, en cuyo caso son una fuente de incertidumbre
importante.
Un sistema puede no tener entradas. Como en el ejemplo del batch.

2. Salida: aquellas variables que de alguna manera reflejan cómo el sistema actúa
sobre el exterior. De nuevo, no tienen por qué coincidir con salidas físicas del
sistema como pueda ser un caudal. El “exterior” también incluye a los operarios que
según sea la evolución de tal o cual variable, tomarán decisiones y actuarán a su vez
sobre el sistema manipulando alguna entrada. En este caso, la salida es una
información proporcionada por un sensor o los sucesivos análisis de muestras. En
 general se consideran salidas aquellas variables cuyo valor en el tiempo tiene
especial relevancia, y debe ser supervisado y controlado, pues determinan las
especificaciones que se desean cumplir en el proceso. Por tanto, dependiendo del
objetivo, se pueden considerar variables de salida distintas en un mismo sistema
físico. Así, en el primer ejemplo, será variable de salida el nivel h en el depósito de
mezcla si el objetivo es mantener esa variable en un cierto valor o se desea que
evolucione de una cierta forma. En el ejemplo del batch será variable de salida la
actividad si lo que preocupa del sistema es, por ejemplo, encontrar las condiciones
iniciales y ambientales que la maximizan.

En la figura 3 se muestra un diagrama de bloques del sistema del primer ejemplo si se

considera que q2 es una perturbación proveniente del exterior. Las q2, x1, xs son
entradas, el nivel h es la salida, el nivel h1 y el volumen V (o el propio h ya que V=Ah
con A=constante) son los estados, finalmente q1 y qs son variables intermedias.

En el caso de los sistemas dinámicos las salidas dependen directa o indirectamente de

las entradas y de las variables de estado. Como estas últimas representan una
acumulación de especies o energía dependen no sólo de la entrada en un instante dado
sino también de la historia pasada del sistema, de todo aquello que le ha sucedido
previamente. Se dice que los sistemas dinámicos tienen “memoria”. En cambio, en los
sistemas estáticos sólo cuenta el valor que en el instante dado tengan las entradas y se
establece entre estas y las salidas una relación fija, como por ejemplo un escalado o
relación de proporcionalidad constante. Se dice que “no tienen memoria”. Tal y como se
ha visto antes, si no hay un sistema exterior que los fuerce no presentan evolución
alguna.
 Figura 3: diagrama de señales para el Ejemplo 1

En la evolución de la salida de un sistema se suelen distinguir dos partes: el

transitorio y el régimen permanente o de equilibrio. Si dicha evolución viene
provocada por una variación en las entradas, un “estímulo” proveniente del exterior, se
habla de la respuesta del sistema y, correspondientemente, de la respuesta transitoria
y la respuesta en régimen permanente.

Sistemas dinámicos

Claramente los sistemas de mayor interés para el biotecnólogo son los dinámicos y a
partir de ahora nos centraremos en ellos. La cuestión que se pretende contestar en esta
sección es: ¿Cómo se expresa matemáticamente un sistema dinámico?

La gran mayoría de profesionales dedicados a la biotecnología están acostumbrados a

manejar ecuaciones en las que sólo entran como datos los valores en un instante dado ti
de las concentraciones en el biorreactor, y la cantidad total de substrato u otras
sustancias aportada hasta ese momento. Son las ecuaciones de balance. En términos
matemáticos, estas son ecuaciones algebraicas y sólo nos permiten conocer el valor de
tal o cual variable incógnita en ese mismo instante ti. Pero, de la sección anterior, se
deduce que conocidas las variables de estado y las entradas en ti podemos predecir
cual será el valor de las salidas en un tiempo futuro ti + ∆, al menos para un ∆
suficientemente pequeño. Para ello se debe introducir un nuevo tipo de ecuación,
llamada ecuación diferencial.

Seguiremos con el ejemplo de la mezcla, pero centrándonos en el depósito de

homogeneización y tomando los caudales q1 y q2 como entradas. En ese caso podemos
considerar el balance de volúmenes en cada instante:

V1 (t ) + V2 (t ) − Vs (t ) = V (t )
donde V1(t) y V2(t) son los volúmenes aportados hasta el instante t, Vs (t) el extraído y
V(t) el volumen remanente en el depósito. La ecuación anterior expresa una relación de
simultaneidad (una relación algebraica) entre las variables. Conocido el valor de los
volúmenes aportados y extraídos hasta un instante t se puede obtener el valor de V(t).
 ∆(volumen _ en _ depósito )
∑ flujos _ entrantes − ∑ flujos _ salientes =
∆(t )
Consideremos ahora, en el marco del mismo ejemplo, el balance de flujos:
Si el depósito es de sección constante con área A se tendrá:
Esta ecuación, a diferencia de la referente al balance de volúmenes, no expresa una

q1 (t ) + q 2 (t ) − q s (t ) = A
dh
dt
relación de simultaneidad entre variables sino una relación causa-efecto. Así, como
consecuencia del aporte neto de flujos se produce una variación de nivel de líquido en
el depósito. Esta variación viene reflejada por la derivada dh/dt.
Es fácil ver que el nivel varía sólo si hay aporte neto de caudales. Si ahora se considera
que el caudal qs depende de la apertura de la válvula de salida y de la altura del depósito
h se obtiene:

dh(t )
A = q1 (t ) + q 2 (t ) − c ∆ x s (t ) 2 g ⋅ h(t )
dt
Dados el nivel h(t) y las entradas (q1(t) , q2(t)) en un instante dado t, se puede predecir
cual será el valor de h(t+∆). Además, si el parámetro c∆ (y lógicamente A) es constante
para todo t tendremos un sistema dinámico invariante en el tiempo, y variante en caso
contrario.

Existen diversos métodos para resolver ecuaciones diferenciales analíticamente, es

decir, hallar la función h(t) como sumas, restas, productos, raíces cuadradas, etc. de
funciones estándar como polinomios, funciones trigonométricas, exponenciales. Pero
ésto no es siempre posible y en tal caso se deben utilizar métodos numéricos que
proporcionan soluciones aproximadas. En todo caso, a partir de las ecuaciones
diferenciales que describen el sistema dinámico en estudio, se puede obtener
información cualitativa sobre el sistema mediante el análisis de diversas propiedades
matemáticas. Por otra parte estas ecuaciones son también una herramienta básica para el
ingeniero de control. Sobre estos aspectos se volverá con más detalle en secciones
posteriores.

Modelos
Definición y clasificación

Un modelo de un sistema es una representación inteligible, abstracta y consistente

dentro de un marco experimental, que describe un sistema real simplificado, enfatizando
aquellos aspectos que son interesantes según los objetivos del estudio planteado.

El grado de abstracción de un modelo se traduce en su carácter multifacético; el mismo

modelo puede representar objetos (sistemas) dispares. Por otro lado, el carácter
orientado de un modelo hacia un determinado objetivo, conduce a la existencia de
modelos distintos para un mismo sistema, esto es, modelos que explican aspectos
distintos del mismo, o el mismo aspecto con ópticas o grados de precisión distintos.

Una posible clasificación del tipo de modelos más frecuentes incluye:

1. Modelos físicos: son una réplica a escala del sistema real (p.e., prototipos o plantas
piloto).

2. Modelos cualitativos: son un conjunto de reglas heurísticas, expresadas en lenguaje

natural, proporcionadas por un experto humano. Existen distintos formalismos,
como la lógica borrosa (fuzzy), para utilizar este tipo de modelos en sistemas
artificiales de tratamiento de información (p.e., en sistemas expertos) .

3. Modelos cuantitativos: expresan relaciones cuantitativas, con mayor o menor grado

de aproximación, entre variables del sistema. Pueden obtenerse mediante un amplio
abanico de metodologías en cuyos extremos se distinguen:

• Modelado deductivo: o basado en primeros principios, comprendiendo:

- La identificación e idealización de los elementos individuales del

sistema (subsistemas)
- identificación e idealización de sus interacciones
- y aplicación sistemática de leyes básicas de la física, bioquímica,
termodinámica, etc. por lo que a veces también son denominados
modelos mecanicistas.
 En general, este tipo de modelado conduce a un conjunto de relaciones analíticas
entre las variables de un cierto tipo de sistemas, en el cual puede quedar por
determinar los valores de ciertos parámetros, los cuales se obtienen
experimentalmente para cada sistema concreto. A esta clase de modelos se les
denomina de caja gris.

• Modelado experimental: consiste en la deducción de las relaciones de un

sistema, mediante inducción, a partir de la observación de datos experimentales
de entrada y salida del mismo. En el caso extremo se obtiene una relación
analítica entre variables que simplemente explica los datos experimentales (es
decir, que es capaz de reproducirlos) pero que no es explicativa del
funcionamiento interno del sistema. Es lo que se denomina un modelo de caja
negra.

En la práctica suele aplicarse una metodología combinada debido al conocimiento

parcial de los diversos “mecanismos” que participan en el sistema o por una
necesidad de simplificación. A menudo ocurre que un modelo muy detallado resulta
inmanejable, algunos parámetros son muy difíciles o incluso imposibles de calcular
y las predicciones sobre el comportamiento de las variables de interés no mejoran
significativamente.

Etapas del proceso de modelado e identificación

De las consideraciones anteriores se infieren una serie de etapas básicas que conforman
el proceso de modelado e identificación experimentales. En cualquier caso se trata de un
proceso iterativo, en el cual suele ser necesario ejecutar las etapas básicas varias veces.
Estas etapas son:

1. Elección de una estructura de modelo.

2. Obtención de datos experimentales y acondicionamiento de los mismos.
3. Identificación de los parámetros del modelo.
4. Validación.
Elección de una estructura de modelo

El tipo de modelo utilizado depende en gran medida del conocimiento previo que se
tenga del sistema, esto es, de que se pueda desarrollar un modelo de caja gris o sólo uno
de caja negra. En este último caso la información previa requerida es mínima:
determinación de las variables de entrada y salida, y orden de las ecuaciones
diferenciales que ligan ambos tipos de variables. Los modelos de caja negra toman la
forma de expansiones funcionales (p.e., series polinomiales, redes neuronales,...) en las
cuales se deben estimar el valor de los coeficientes de la expansión. Es corriente
cometer el error de modelar sistemas dinámicos mediante ajustes polinomiales estáticos.

Obtención de datos experimentales y acondicionamiento de los mismos

Se trata de una etapa crucial, no trivial, que debe ser bien planificada, puesto que la
clase y calidad de los datos recogidos condiciona decisivamente el qué se podrá modelar
y cómo. Como regla general, cuantos más parámetros se tengan que identificar en el
modelo, más datos experimentales se necesitan. Con pocos datos experimentales existe
una multitud de funciones que los aproximan (que “pasan” por ellos), pero no todas
ellas son capaces de precedir correctamente el comportamiento del sistema para zonas
en las que no habían suficientes datos experimentales. Por otro lado, los datos deben ser
suficientemente ricos, “informativos”. Es obvio que para poder determinar el
comportamiento de un sistema (de cualquier naturaleza; físico, biológico, social,
psicológico...) éste debe ser excitado lo suficiente para que muestre los diversos
aspectos de su comportamiento. En la práctica biotecnológica ésto se traduce en que una
buena identificación de un proceso de fermentación requiere realizarla sobre datos
extraídos de un proceso en lote alimentado (fedbatch) o un proceso continuo, en los
cuales los flujos de alimentación y sus concentraciones hayan sido variados lo
suficiente.
Los datos experimentales, una vez obtenidos, deben ser acondicionados. En esta etapa
se filtran (suavizan) o eliminan aquellos datos espúreos causados por problemas en los
sensores, y se extraen y tratan para ser resaltados aquellos tramos de datos más
significativos.

Identificación de los parámetros del modelo

Los algoritmos de identificación ajustan iterativamente los parámetros del modelo,
buscando aquellos óptimos respecto a un cierto índice de coste.
Así, consideremos unos valores experimentales de las variables de entrada y salida del
proceso, y un modelo. Para unos valores dados de los parámetros del modelo, si sobre
éste se introducen las mismas entradas que sobre el proceso real, dará una estimación de
las variables de salida. La diferencia entre el valor real y el estimado ese error de
predicción cometido por el modelo con los valores de parámetros actuales. Se define un
índice de coste asociado al error de predicción. Por ejemplo, un índice típicamente
utilizado es el error cuadrático medio acumulado para los datos experimentales
disponibles. Los algoritmos de identificación modifican iterativamente el valor de los
parámetros del modelo buscando la minimización del índice de coste (p.e., buscando
minimizar el error de predicción cuadrático medio). Esta modificación puede realizarse
a grandes rasgos de dos formas:

a) Analíticamente: determinando la derivada (variación) del índice de coste

respecto a los parámetros del modelo. La dificultad de este cálculo varía mucho
según que los parámetros aparezcan el modelo o no de forma lineal. En el primer
caso algoritmos tipo mínimos cuadrados, gradiente, etc. son capaces de estimar
correctamente los parámetros óptimos del modelo. En el segundo caso el
problema de optimización es más complejo, tanto desde el punto de vista
analítico como por la posibilidad de existencia de mínimos locales en el índice
de coste a optimizar. En el caso de procesos de fermentación, como se verá en la
sección siguiente, existen parámetros (p.e., la constante ks de transporte en el
modelo de Monod) que aparecen no linealmente.

b) Estocásticamente: mediante algoritmos que modifican de forma aleatoria el

valor de los parámetros del modelo, es decir, realizan una búsqueda estocástica
de los parámetros óptimos. Esta búsqueda está dirigida, de forma que se
maximiza la probabilidad de realizar modificaciones en aquellas direcciones en
las que se detecta que el índice de coste toma valores más bajos. Así, por
ejemplo, los algoritmos genéticos emulan el proceso de selección natural de una
población (los conjuntos de valores de los parámetros del modelo) que intenta
optimizar un índice de éxito (minimizar una función del error de predicción).
Validación

Un buen modelo debe ser capaz de explicar no sólo los datos experimentales con los
que ha sido generado, sino que debe servir para hacer nuevas predicciones. En particular
debe predecir correctamente el comportamiento del sistema en aquellas zonas en las que
se tenían pocos o ningún dato experimental, y debe ser capaz de aproximar
correctamente (sin re-identificación de los parámetros del modelo) datos generados por
nuevos experimentos. Un modelo es un modelo de un sistema, no de un experimento
(realización, instancia) concreto.

Aplicación al modelado de una biorreacción

Como ya ha sido mencionado, el crecimiento de cualquier población puede ser definido

como el incremento de material celular, expresado en términos de masa o número de
células que resulta de la actividad coordinada de series de enzimas, los cuales catalizan
etapas biológicas de alta complejidad. Fue Pasteur (1857) el primero en utilizar los
datos de la dinámica de crecimiento combinados con ensayos químicos como evidencia
experimental para sus conclusiones. Demostró con ellos que existían transformaciones
químicas causadas por la actividad microbiana en un sistema donde se producía
incremento de biomasa durante el transcurso del proceso. Pero fue Raulin (1869), un
discípulo de Pasteur, el primero en analizar cuantitativamente diferentes substratos para
el crecimiento y como afectaban éstos al rendimiento celular, de lo que concluyó que:

• las condiciones óptimas para el crecimiento pueden ser definidas;

• los efectos de las variables físicas y químicas del cultivo en el crecimiento pueden
ser evaluados;
• y la eficiencia de la asimilación de nutrientes por la biomasa puede ser cuantificada
según un coeficiente trófico α.

• Posteriormente el bacteriólogo inglés Ward (1895) fue uno de los primeros en llevar
a cabo observaciones biométricas de crecimiento microbiano con Bacillus ramosus,
y presentó los datos gráficamente. Él introdujo la medida del tiempo de generación
y definió, del mismo modo, dos grupos de factores que la afectan: factores internos
(edad del filamento, viabilidad, vigor germinativo de las esporas) y factores externos
(temperatura, iluminación, cantidad de nutrientes). Más tarde, el alemán Müler
(1895) estableció mediante el recuento microscópico o por técnicas en placa la
 existencia de las fases de crecimiento: lag, logarítmica y desacelación. A partir de
aquí se prestó mucha atención a éstas fases como etapas de diferenciación celular, y
fueron establecidas características ligadas a cada fase, como actividad metabólica de
las células, resistencia a factores desfavorables, habilidad de aglutinación, etc.
•
• El primer modelo propuesto que permitía reconocer las diferentes fases de
crecimiento fue propuesto por Buchanan en 1918:
N = N 0 exp ( µ .F(t) t)
• [1.1]
• donde N es el número instantáneo de microorganismos, N0 es el valor de N al
comienzo de cada fase de crecimiento, y t el tiempo. La función empírica F tomaba
diferentes formas para las siete fases de crecimiento consecutivas:
•
• Estacionaria inicial F (t ) = 0 ;
n−1
• Lag F (t ) = t ;
• Crecimiento logarítmico F (t ) =1 ;
−t −1
• Desaceleración F (t ) = t ;
• Estacionaria F (t ) = 0 ;
n−1
• Aceleración de la mortalidad F (t ) = t ;
• Decrecimiento logarítmico F (t ) = −1

En esta época aún se prestaba gran atención a los fenómenos de posible citomorfosis
que planteaban los pleomorfistas, por ello no es extraño la gran atención que le
prestaban a la fase lag, que era considerada como la fase embriogénica decisiva para la
posterior evolución del cultivo.
Inicialmente, la única medida de crecimiento fue el tiempo de generación, g, calculado
por la fórmula de Pedersen,
ln 2
g = (t − t 0 ) [1.2]
(ln N − ln N 0 )
• La figura 4 esquematiza la curva de crecimiento. La forma que se aprecia se da
siempre que se cumplen ciertas condiciones:
• el cultivo es un sistema cerrado donde no hay intercambio de materia con los
alrededores, salvo en lo que se refiere a los gases (aireación, producción de CO2 y
otros) que se suministran y eliminan del sistema en forma continua. Es decir, cultivo
en batch.
• todas las células de la población se dividen a intervalos regulares
• no existen sustancias inhibitorias del crecimiento
• la composición del medio en cuanto a fuentes de carbono, nitrógeno y otras
sustancias permite el desarrollo equilibrado de la población.
• los factores ambientales no restringen o limitan el desarrollo de la población
•
• La curva presenta varias zonas o fases:
• Fase de latencia o lag: se produce inmediatamente después de la inoculación. En ella
no hay iniciación de replicación de DNA ni separación en nuevas células. Se
produce una readaptación de la composición macromolecular al nuevo ambiente en
que se encuentran las células inoculadas.
• Fase de crecimiento exponencial, logarítmica o de crecimiento balanceado: las
células se reproducen de forma irrestricta a una velocidad que es la máxima para el
conjunto de condiciones existentes, y supuesto no existe limitación de nutrientes.
• Fase de desaceleración: se alcanza cuando se agota un nutriente, razón por la cual el
crecimiento se ralentiza. Es una fase de crecimiento restricta.
• Fase estacionaria: el crecimiento se detiene.
• Fase de decaimiento o muerte: esta fase se presenta en cultivos en los que se
inducen enzimas autolíticas en condiciones de inanición.

Tasa de crecimiento
10 4 0.30

0.25
3
log Biomasa

Expo nencial 0.20

Biomasa
1 2 0.15

0.10
1
0.05

0.1 0 0.00
Lag A celeració n Desaceleració n Estacio naria Lisis

Tiempo

Figura 4: fases de la curva de crecimiento

• Los primeros resultados se obtuvieron para la fase de crecimiento exponencial o

irrestricto y se definieron los siguientes parámetros:
•
• Tasa específica de crecimiento. La fase de crecimiento exponencial fue derivada de
la progresión geométrica analizada por Rahn (1932) 2, 22, 23. Es tradicionalmente
aceptada para células con división binaria simétrica, mientras que para levaduras y
hongos filamentosos es utilizada como una aproximación razonable. Según ésta:
n
N = N0 * 2 [1.3]
donde n es el número de divisiones. Transformando logarítmicamente esta
expresión se obtiene:
N
ln = n ln 2 [1.4]
N0
Más tarde, Slator (1916) introdujo una constante de crecimiento µ, que fue
definida como el coeficiente de proporcionalidad en la ecuación diferencial que
relaciona la tasa instantánea de crecimiento de las células como función de su numero
instantáneo:
dN
= µ*N [1.5]
dt
La solución de esta ecuación es dada por una función exponencial:
 N = N 0 exp( µ * t ) [1.6]
El parámetro µ es de especial relevancia en el estudio de la cinética de
fermentaciones. Su dimensión es tiempo-1, por lo que se suele expresar como h-
1. Relacionado con µ existe otro parámetro de interpretación física más directa;
el tiempo de duplicación (td), definido como el lapso entre dos duplicaciones
sucesivas, mientras que el tiempo de generación, g, se relaciona con el periodo
necesario para que sea duplicada la biomasa en peso seco.

• Tiempo de duplicación de la biomasa. La relación entre la tasa especifica de

crecimiento y el tiempo de duplicación (td) de la biomasa es obtenida
comparando las expresiones [1.6] y [1.4], considerando N=2N0 y t=td. Se
obtiene la siguiente relación entre µ, N, y g:
ln 2 N ln 2
µ= =
t g
d
La tabla 1 muestra rangos característicos de tiempo de duplicación, td.

Organismo Tiempos de duplicación

Bacterias 0.25-1 h
Levaduras 1-2 h
Hongos filamentosos 2-6.5 h
Células vegetales 20-70 h
Células animales 15-48 h

Una bacteria o una levadura poseen una tasa de crecimiento máxima ligada a su
potencial hereditario. Hasta el momento tan sólo se ha conseguido modificar este
potencial para reducir los tiempos de división en algunos casos puntuales, dados por
incorporación de material hereditario externo, aunque generalmente este tipo de
acciones aumentan este valor.

• Grado de multiplicación. El grado de multiplicación n es dada por la relación

N/N0 que es igual a emt procedente de la ecuación [1.6]. Si la biomasa
produce n generaciones, se puede escribir:
N n
=2
N0
Frecuentemente, en experimentos de crecimiento, se utiliza un tamaño de
inoculo del 10% de la biomasa que será obtenida al final. Si esto es así N/N0
será 10.

En este periodo se supuso que el valor de la tasa específica de crecimiento µ era un

valor constante para cada especie, y un descenso en este valor (µ) durante el crecimiento
post-exponencial se interpretó como desviación del desarrollo normal, provocado por la
puesta en marcha de algún programa de desarrollo interno. No se prestó atención a
como podrían afectar esta tasa aspectos como el efecto de diferentes factores
ambientales, la concentración de nutrientes y/o la aparición de substancias inhibidoras,
con la excepción de la temperatura que fue descrita según la ecuación de Arrhenius.
Pero en realidad, incluso si se supone que todos los nutrientes están en exceso, se tiene
normalmente una situación como la descrita en la figura 5. En ella se observa como la µ
desciende con el incremento de la población y de la concentración de substancias tóxicas.
 1 1
2

Velocidad de reacción
3
4
5 ión
ac
x if ic
6
D e to

0
C o n c e n tr a c ió n d e c é lu la s

Figura 5: relación entre µ, la concentración de población y la de substancias tóxicas

El problema clásico de quienes tratan de mejorar las condiciones de producción por vía
fermentativa es el siguiente: si se mide una velocidad de reacción cualquiera (tasa de
crecimiento, tasa de producción de un metabolito o tasa de consumo de un sustrato) en
función de la concentración de microorganismos en medio de cultivo, ¿cómo
aproximarse a una situación óptima (en la línea 1 de la figura 5) en la que se observa
una baja limitación e inhibición? La producción generalmente se reduce cuando la
concentración de microorganismos crece poco. En general se plantea como desplazar la
curva 6 hacia 4, 3, ó 1. Si la inhibición es debida a la producción de sustancias tóxicas,
su eliminación, la detoxificación, permitirá mejorar el perfil de esas curvas. Por tanto, es
preciso llevar a cabo sistemáticamente estudios cinéticos de esta índole con el fin de
identificar las etapas limitantes en la producción de metabolitos a partir de biomasa.
Todos estos estudios son muy importantes a la hora de plantear modelos cuantitativos
que nos servirán como herramienta para optimizar la producción y, posteriormente,
diseñar un sistema de control con el fin de automatizar el proceso de producción.

MODELOS PARA LAS TASAS DE REACCIÓN

A la hora de plantear el modelo de crecimiento microbiano en una fermentación

partimos de una serie de simplificaciones, como:

La célula es considerada como una caja negra y solamente se consideran las principales
especies consumidas o excretadas al medio, sin entrar en los mecanismos intracelulares.
En la terminología típica en el campo de la biología se diría que es un modelo no-
estructurado.
Las células pueden estar sujetas a un fenómeno de envejecimiento de manera que no
todas tienen la misma capacidad de división. También pueden sufrir mutaciones
genéticas con lo que algunas células dejan de producir la especie de interés. En todo
caso el modelo se construye suponiendo una célula promedio. En este caso diremos,
además, que el modelo es no-segregado.
Las condiciones y concentraciones en el tanque se suponen homogéneas. Aproximación
que sólo es adecuada para los fermentadores a escala de laboratorio.
La biomasa realmente necesita varios substratos para crecer pero todos se encuentran en
exceso, tanto en el medio como en el flujo de alimentación, excepto uno. Este substrato
limitante será el único que se considere en las ecuaciones y los otros serán ignorados.

Se considera también el conocimiento previo básico de los fenómenos que tienen lugar,
obtenido a partir de los estudios antes mencionados. Otras consideraciones pueden ser:
La biomasa se reproduce proporcionalmente a la cantidad de biomasa existente.
Una parte del substrato disponible se destina al mantenimiento de la biomasa existente.
Una fracción de la biomasa existente en cada instante muere.

Si bien, normalmente, se suele despreciar el efecto de las consideraciones 2 y 3 .

En un caso general, la tasa de crecimiento específica µ depende de varios factores como

las concentraciones de substrato, producto y biomasa, el pH, la temperatura, la
concentración de oxígeno disuelto y varios inhibidores del crecimiento microbiano. Se
suele expresar como:
µ = µ (s ) ⋅ µ ( x ) ⋅ µ ( p ) ⋅ µ ( pH ) ⋅ µ (T )K
El pH , la temperatura y otras variables ambientales se suelen mantener constantes. Por
lo que respecta a los tres primeros factores mencionados, las expresiones más habituales
son:

Concentración de substrato. (véase la figura 6) Con formato: Numeración y

viñetas

Monod (o Michaelis-Menten): Con formato: Numeración y

viñetas
µ ⋅s
µ (s ) = m
ks + s
donde µm es la tasa de crecimiento máxima, ks una constante de transporte.

Haldane, en la que se tiene en cuenta inhibición por substrato: Con formato: Numeración y
viñetas
µo ⋅ s
µ (s ) =
2
ks + s + s
ki
En la práctica siempre hay una inhibición del crecimiento por substrato, pero en muchos
casos aparece para concentraciones muy altas en comparación con las concentraciones
en la zona de interés. Por eso a menudo se supone que se tiene un Monod. El caso
contrario se da en aplicaciones como, por ejemplo, la depuración de aguas o la
eliminación de productos tóxicos, disolventes… En los procesos fermentativos es más
frecuente encontrar efectos inhibitorios provocados por alguno de los productos de la
fermentación.

Figura 6: funciones cinéticas de Monod y Haldane

• Concentración de producto
kp
µ( p) =
kp + p
• Concentración de biomasa

El crecimiento de la biomasa tiende a ser más lento cuando la concentración es alta. Dos
modelos comunes son el de Contois
µm ⋅ s
µ (s , x ) =
ks ⋅ x + s
y el logístico
µ (x ) = µ m (1 − a ⋅ x )

siendo α la constante de inhibición.

Por lo que se refiere a la formación de productos o metabolitos, suelen asumirse dos

casos :

• La tasa específica de producción r es proporcional a µ. En ese caso se dice que la

formación de producto está asociada al crecimiento (“growth-linked”).

• También puede darse el caso de que r sea completa o parcialmente

independiente de µ. Un ejemplo clásico es precisamente la fermentación láctica,
para la cual Luedeking y Piret (1959) propusieron una expresión del tipo
r = k ⋅µ + ρ
en la que ρ representa la parte no-asociada al crecimiento.

Así pues, en un caso sencillo en el que la reacción principal es

X (biomasa ) + S ( substrato ) ⇒ X (biomasa ) + P ( producto)
y si se asume que el consumo de substrato es proporcional a la generación de biomasa,
el modelo para el modo de producción en batch sería de la forma
dx
= µ⋅x
dt
ds
= − k1µ ⋅ x
dt
dp
= r⋅x
dt
dV
=0
dt
donde x, s, p representan las concentraciones de biomasa, substrato y producto, y k1 es
un coeficiente de rendimiento. En este caso, si no se consideran los posibles
intercambios de gases con el exterior, no hay ni aporte ni extracción de especies. En
caso de que sí lo haya, se deberá considerar para cada una de las especies que se tengan
en cuenta el siguiente balance:
 Cambio = producción – consumo + entrada – salida

Teniendo esto en cuenta, pasamos a considerar en la siguiente sección los principales

modos de producción.

Modos de operación en fermentación

Existen muchos modos de operación aplicables en procesos biotecnológicos aunque los

más comúnmente aplicados se refieren a aquellos procesos en los cuales las células
crecen al menos durante una parte del proceso. Antes se ha hablado del modo en batch,
el más sencillo. En esta sección se tratará de la producción en continuo y en fedbatch en
los que habrá que considerar los intercambios de líquidos con el exterior. Finalmente se
mostrará un esquema de producción más general.

Continuo: Hay un flujo de entrada Fi con una concentración sin del substrato limitante
con el que se alimenta al microorganismo (véase el diagrama de la figura 6). También
hay un flujo de salida Fo que en este caso es igual al de entrada, es decir Fi= Fo=F. Por
tanto el volumen en el biorreactor será constante. En este caso el ejemplo anterior
quedaría:
Eliminado: <sp><sp><sp><sp>
donde el factor D representa la dilución, es decir, el cociente F/V. En estos sistemas se
dan, por regla general, múltiples puntos de equilibrio, agrupados en dos clases:
Equilibrios de lavado (“wash-out”), en los que la concentración de biomasa es nula. Son Con formato: Numeración y
viñetas
los únicos estados de equilibrio posibles para D>µmax .
Estados de equilibrio operacionales en los que D=µ.

Aunque poco común en la industria, los investigadores los utilizan frecuentemente para
determinar ciertos parámetros fisiológicos del microorganismo.
Figura 6: diagrama de un tanque de fermentación en modo continuo. Eliminado: <sp>

Fedbatch: En este modo (véase la figura 7) sólo hay un flujo de entrada F y, por tanto:

dx
= µ ⋅x− D⋅x
dt
dp
= r⋅x− D⋅ p
dt
ds
(
= − k1µ ⋅ x + D ⋅ sin − s )
dt
dV
= F
dt
En este caso el volumen crece indefinidamente hasta que no queda más substrato para
alimentar o se ha llegado al límite de capacidad del biorreactor. Por tanto, durante todo
el tiempo de operación se está permanentemente en un transitorio. Realmente se busca
que la cantidad total de biomasa crezca indefinidamente de forma exponencial con una
µ constante. En este modo de producción hay un mayor aprovechamiento de los
diversos substratos presentes en el medio y el flujo de entrada.
Un esquema general: (véase la figura 8) comprende un biorreactor con flujos de entrada
y salida, en el que se considéra el intercambio de gases con el exterior y, además, se
introduce una etapa de filtrado que podría usarse para eliminar productos inhibidores.
La figura muestra un reactor con un volumen de medio V con perfecta mezcla y la
concentración y de un componente en el reactor. Las tasas de flujo de medio son
designadas como F y las tasas de flujo de gas como Q. La concentración en el gas es
marcado con los subíndices g. Los subíndices i y o se refieren a los parámetros de
entrada y salida, respectivamente. El factor de separación, especifica la
concentración de y en el medio de salida.

Figura 7: diagrama de un tanque de fermentación en modo fedbatch. Eliminado: <sp>

Figura 8: diagrama general de un tanque de fermentación.

El campo de modelado de biorreactores es muy amplio y a menudo controvertido. Una

buena referencia para ampliar todo lo referente a este tema es “On-line Estimation and
Adaptive Control of Bioreactors” de Bastin G. y Dochain D., aparte de la multitud de
artículos publicados en las revistas especializadas.

Control
Introducción. Monitorización, supervisión y control

Como se ha indicado en la introducción al capítulo, el biotecnólogo, en su quehacer

cotidiano frente a un proceso de fermentación, se enfrenta a la necesidad de comprender
su evolución temporal, obtener los parámetros que la determinan y controlar la misma.
Para ello cuenta con una comprensión cualitativa del proceso más o menos completa
desde el punto de vista biológico, y de un bagaje de conocimientos heurísticos que le
permiten razonar sobre cual debería ser el comportamiento esperable del proceso. En
base a esta información, toma decisiones acerca de los valores apropiados que debe fijar
tanto sobre las variables de entorno (pH, temperatura,...) como sobre las variables de
entrada manipulables. Estas últimas suelen ser flujos de alimentación y concentraciones
de substrato en los mismos.
Realiza, por tanto, un control o toma de decisiones manual. Es decir, él es el controlador
y ejecuta un control fuzzy (borroso) implementado sobre el hardware neuronal de su
cerebro.

Esas decisiones están determinadas no sólo por el comportamiento del proceso, sino
también por los objetivos perseguidos o especificaciones. Por ejemplo, fijar una tasa de
crecimiento específico, conseguir máxima productividad, etc.

Para asistirle se pueden usar una serie de sistemas automáticos. Éstos pueden realizar
tres tipos de tareas distintas:

Monitorizar: obtener las medidas proporcionadas por los distintos sensores instalados,
representarlas numérica o gráficamente y guardar un registro histórico de las mismas.
No hay toma de decisiones, sólo “mira”. Por tanto, no se puede decir que sea un sistema
automático de control.
Supervisar: monitorizar actívamente. Un supervisor “vigila” y avisa si detecta alguna
situación predeterminada, como por ejemplo una situación predefinida como anormal,
pero no actúa. Existen sistemas supervisores avanzados que toman decisiones ante
determinados eventos, como por ejemplo paradas de emergencia. Se trata, en general, de
actuaciones esporádicas ante situaciones excepcionales o fuera del funcionamiento
supuesto “normal”.
Controlar: realizar automáticamente la tarea de control o toma de decisiones, que antes
se comentaba realiza el biotecnólogo de forma manual.

En la actualidad existen sistemas comerciales, como los sistemas basados en paquetes

software scada, que proporcionan herramientas para realizar los tres tipos de tareas.
Aunque la inmensa mayoría se centran fundamentalmente en las tareas de
monitorización y supervisión. En lo que resta del capítulo se describirá la tarea de
control, llevada a cabo por los sistemas de control automático propiamente dichos.
Control realimentado

En la descripción realizada de la tarea de control manual se observa que hay tres

elementos fundamentales en juego:

el sistema, con su comportamiento.

el conjunto de objetivos deseados o especificaciones.
el conjunto de decisiones o acciones de control a tomar ante cada situación que se
presenta.

Si el comportamiento del sistema fuera perfectamente conocido, es decir, si se dispone

de un modelo perfecto del sistema, y si además no hay ningún tipo de perturbación
actuando sobre el mismo, podríamos precalcular un perfil de alimentación y unos
valores adecuados de las variables de entorno (pH, temperatura,...). La aplicación de
dicho perfil, manteniendo las variables de entorno en los valores precalculados,
conduciría al cumplimiento de los objetivos. Este tipo de control precalculado es un
control de bucle abierto, también llamado prealimentado (véase la figura 9). Podríamos
decir que se está aplicando una acción de control “a ciegas”, confiando única y
exclusivamente en nuestro conocimiento previo del sistema.
En la práctica, las imperfecciones del modelo y la actuación de perturbaciones,
provocan que el biotecnólogo deba vigilar la evolución de la fermentación y actuar
periódicamente para corregir las desviaciones del estado del proceso respecto del
esperado. Es decir:

A partir del objetivo de control deseado (p.e., crecer con una tasa específica
determinada) y el modelo del sistema se calcula un perfil de acciones de control (p.e., la
dilución a fijar a lo largo del tiempo). La aplicación de dichas acciones de control
prealimentadas provocaría, en condiciones ideales, que el proceso evolucionara en el
tiempo a lo largo de una serie de estados (caracterizados por algún conjunto de variables
del proceso) de tal forma que se cumpla con el objetivo de control.
Las imperfecciones del modelo y las perturbaciones hacen que el proceso evolucione en
el tiempo a lo largo de unos estados que se desvían de los deseados, es decir, aquellos
que seguiría en las condiciones ideales expuestas en el punto anterior. Por ejemplo, la
concentración de biomasa y volumen en un momento dado no coinciden con los que
serían esperables si se estuviera manteniendo una tasa de crecimiento específico
consignada.

Se realiza una corrección sobre la acción de control prealimentada. Dicha corrección es

función de la diferencia entre el estado deseado y el real, es decir, del error.

Figura 9: esquema de control prealimentado en bucle abierto.

En el último punto se ha introducido un control realimentado o de bucle cerrado,

caracterizado porque las acciones de control son función del error cometido (véase la
figura 10). Este control puede actuar sólo o complementando uno prealimentado, siendo
este último el esquema más recomendable en las aplicaciones biotecnológicas.
Un sistema de control automático simplemente realiza, de forma automática y con una
periodicidad prefijada, las operaciones de prealimentación y cálculo de la corrección de
aquella empleando el conocimiento del error, hallado a partir de las referencias y la
realimentación de las salidas del sistema.
 Figura 10: esquema de control con prealimentación y realimentación.

Proceso de diseño de un sistema de control. Papel del biotecnólogo.

El diseño de un sistema de control es un proceso en general complejo. Implica tanto

aspectos de diseño y análisis mediante métodos de las matemáticas aplicadas como de
implementación software sobre computadores y/o autómatas programables de los
algoritmos de control desarrollados, de hardware y software de sensorización y de redes
de comunicaciones industriales. Se trata, por tanto, de un proceso multidisciplinar en el
que intervienen personas con bagajes formativos variados incluyendo ingenieros de
proceso, en nuestro caso el biotecnólogo, ingenieros de control y automática e
informáticos. A grandes rasgos, se pueden considerar las siguientes etapas:

• Estudio del sistema a controlar y obtención de información sobre los objetivos

de control o especificaciones. Esta etapa es crucial para el diseño de un sistema
de control, e implica una fuerte interacción entre el biotecnólogo, actuando
como ingeniero de proceso, y el ingeniero de control. La correcta comunicación
(bidireccional) entre ambos definirá en esta etapa:

o cuales son las variables relevantes del sistema, características y tipo de

interacciones fundamentales entre las mismas, en los términos definidos
en las secciones sobre modelado de sistemas dinámicos.
o como se expresan los objetivos de control del biotecnólogo en términos
de relaciones matemáticas sobre variables del proceso, es decir, en
términos de especificaciones de comportamiento de dichas variables.

• Obtención de un modelo matemático del sistema y análisis del mismo y sus

propiedades. De nuevo, en esta etapa el biotecnólogo no sólo ofrece
conocimiento y datos experimentales del proceso, sino que juega un papel
importante a la hora de validar el modelo obtenido. El proceso de modelado,
como se indicó, es un proceso iterativo y en este caso, además, se hace una
transcripción continua entre un lenguaje matemático y uno biológico. Esta
 comunicación en ambas direcciones puede enriquecer mucho la comprensión del
sistema biotecnológico desde ambos puntos de vista. El análisis matemático del
modelo proporciona información sobre qué variables pueden ser controladas,
cuales pueden ser estimadas a partir de otras medibles, equilibrios del sistema,
tipos de comportamiento que puede presentar,...
• Decidir qué variables van a ser controladas, cuales van a medirse o estimarse y
cuales va a ser manipuladas. Es decir, decidir sobre qué sensores y actuadores se
usarán, con qué características, y donde estarán colocados. Una gran parte de los
fracasos a la hora de controlar un sistema derivan de la inadecuación y/o falta de
sensores y actuadores. Lógico, dado que no se podrá realimentar y/o actuar
adecuadamente.
• Diseño del controlador. En el caso del control de variables con comportamientos
simples pueden utilizarse controladores sencillos de estructura predeterminada,
como los PIDs, en los cuales sólo deben ajustarse ciertos parámetros del
controlador. En los casos más complejos el diseño se realiza mediante
manipulaciones matemáticas sobre el modelo y las especificaciones de
comportamiento del proceso. Los sistemas biotecnológicos ofrecen, a este
respecto, una fuerte complejidad.
• Análisis teórico del sistema controlado resultante para determinar si se
satisfacen especificaciones fundamentales, como su estabilidad, así como el
resto de especificaciones básicas.
• Implementación y ajuste del sistema controlado sobre una planta piloto a fin de
determinar el correcto cumplimiento de especificaciones en condiciones reales,
con presencia de incertidumbre, perturbaciones, limitaciones, etc. Si no se
dispone de una planta piloto puede desarrollarse un simulador de proceso sobre
computador, y simular el sistema controlado, con las limitaciones obvias. De
nuevo, es el biotecnólogo quien debe validar el resultado, e indicar que aspectos
no son aceptables y cuales pueden ser sus causas.
• Repetir a partir del paso 2 o el 4 según sea necesario. En toda implementación
práctica surgen todos aquellos aspectos que han sido despreciados y
simplificados a lo largo de las etapas de modelado y diseño. Uno de los grandes
beneficios del control realimentado es su capacidad de comportamiento robusto
frente a perturbaciones o frente a errores de modelado y variaciones en el
comportamiento del proceso. Sin embargo, obviamente, todos estos aspectos
pueden degradar el control hasta límites inaceptables. En ese caso habría que
volver al principio y reconsiderar las hipótesis y simplificaciones realizadas
anteriormente.
• Escalar el sistema de control sobre el proceso industrial.

Bibliografía y Enlaces

Bailey JE, Ollis DF, editors 1977. Biochemical Engineering Fundamentals. Mc Graw-
Hill Book Company.
Bernard A., Ferda M. editors 1983. Biochemical Engineering and Biotechnology
Handbook. M Stockton Press.
Stanbury PF, Whitaker A, editors 1984. Principles of Fermentation Technology.
Pergamon Press Ltd.
Bailey JE, Ollis DF, editors 1986. Biochemical Engineering Fundamentals. Mc Graw-
Hill International editors. Second Edition.
Owen PW, editor. 1992. Fermentation Biotechnology: Principles, Processes and
Products. John Wiley & Sons Ltd.
Demain AL, Davies JE, editors in chief 1999. Manual of Industrial Microbiology and
Biotechnology. ASM Press Washington, D.C. second edition.
Bastin G, Dochain D, 1990. On-line Estimation and Adaptive Control of Bioreactors,
Elsevier.