ICIDCA.

Sobre los Derivados de la Caña de

Azúcar
ISSN: 0138-6204
revista@icidca.edu.cu
Instituto Cubano de Investigaciones de los
Derivados de la Caña de Azúcar
Cuba

Ribas-García, Mauricio; Hurtado-Vargas, Rafael; Garrido-Carralero, Norge; Domenech-López, Fidel;

Sabadí-Díaz, Raúl
Metodología para la modelación matemática de procesos. Caso de estudio, fermentación alcohólica
ICIDCA. Sobre los Derivados de la Caña de Azúcar, vol. 45, núm. 1, enero-abril, 2011, pp. 37-47
Instituto Cubano de Investigaciones de los Derivados de la Caña de Azúcar
Ciudad de La Habana, Cuba

Disponible en: http://www.redalyc.org/articulo.oa?id=223122251005

Cómo citar el artículo

Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
 Mauricio Ribas-García, Rafael Hurtado-Vargas, Norge Garrido-Carralero,
Fidel Domenech-López, Raúl Sabadí-Díaz

Instituto Cubano de Investigaciones de los Derivados de la Caña de Azúcar

Vía Blanca 804 y Carretera Central, San Miguel del Padrón, La Habana, Cuba
mauricio.ribas@icidca.edu.cu

RESUMEN

En este trabajo se presenta una metodología para la modelación matemática de proce-

sos basada en los fenómenos de transporte, y las leyes de conservación de masa, energía
y momentum. Esta metodología se aplicó para describir la dinámica del proceso de fer-
mentación alcohólica,y se analizaron los efectos de cambiar el modo de operación sobre
las componentes fundamentales del mismo (biomasa, sustrato, producto y temperatura).
Se determinó el área de transferencia de calor necesaria para controlar la temperatura
de fermentación en el entorno de 32 °C. Los resultados de la simulación muestran que el
modelo obtenido describe adecuadamente el comportamiento dinámico del bioproceso.

Palabras clave: fermentación, modelación matemática, etanol, software, simulación.

ABSTRACT

Present paper presents a methodology for the mathematical modelling of processes based
on transport phenomena, mass, energy and momentum conservation. The methodology
was applied to the description of the dynamics of an alcoholic fermentation process,
analyzing the effect of changing the operation mode in the main components of the pro-
cess (biomass, substrate, product and temperature). The heat transfer area needed to
keep fermentation temperature around 32 °C was determined. The simulation results
show that obtained model can satisfactorily predict the dynamic performance of real pro-
cess.

Keywords: fermentation, mathematical modelling, ethanol, software, simulation.

ICIDCA 45 (1) 2011 37

INTRODUCCIÓN
La modelación matemática de procesos
es una herramienta de gran utilidad para el
ingeniero ya que le permite conocer, enten-
der e interpretar el mundo físico en el pro-
ceso de toma de decisiones (1,2).
Los avances de la computación han per-
mitido el desarrollo de modelos matemáti-
cos cada vez más detallados y precisos que
luego se utilizan en el diseño, escalado,
optimización y control de procesos de una
forma rápida y económica, al reducir los
costos por la eliminación de parte del traba-
jo experimental en la industria (3).
Desde el punto de vista de la ingeniería
de procesos, los modelos matemáticos se
clasifican en tres grandes categorías (4).
• Modelos fenomenológicos o de caja blan-
ca, modelo obtenido mediante un estu-
dio teórico del proceso; sus principios de
formulación son las ecuaciones de con-
servación (materia, energía y/o entropía),
leyes generales y ecuaciones constituti-
vas. El grado de complejidad del mismo
es función directa del grado de detalle
utilizado y constituye el núcleo funda-
mental de los modelos utilizados por los
ingenieros.
• Modelos empíricos, se construyen
mediante experimentación y observa-
ción, haciendo luego uso de datos expe-
rimentales para ajustar los parámetros en
una estructura matemática dada.
• Modelos semifísicos o de caja gris, son
una combinación de los dos tipos ante-
riores, donde algunas características del
proceso están descritas mediante correla-
ciones empíricas particulares para la
condición dada. Estos modelos se em-
plean fundamentalmente cuando el
conocimiento fenomenológico resulta
insuficiente para describir la situación
física real del sistema que se modela.
En la actualidad los modelos semifísicos
de base fenomenológica (MSBF) han demos-
trado gran utilidad por su capacidad de extra-
polar los resultados a diferentes escalas y
regímenes de operación; si todos los elemen-
tos relevantes están presentes en el modelo, y
si estos se mantienen dentro del rango de
validez, entonces es posible la extrapolación.
Sin embargo, a pesar de las ventajas que
reporta el empleo de MSBF estos todavía no
38
están lo suficientemente introducidos en
nuestra industria azucarera y alcoholera. Su
conocimiento está restringido a algunos
investigadores e ingenieros de proceso con
entrenamiento para tal labor.
En este trabajo se presenta una metodo-
logía para la construcción de MSBF, que
permite al investigador resolver el problema
de una forma más fácil, organizada y preci-
sa. La misma puede ser utilizada por inge-
nieros que no sean expertos en el proceso
que se modela, sino simplemente conozcan
cómo operarlo y cuenten con el conoci-
miento básico de ingeniería (termodinámi-
ca, fenómenos de transporte y operaciones
unitarias).
La metodología propuesta se aplica en la
modelación de un proceso de fermentación
para la producción de etanol, se obtiene un
modelo que describe acertadamente el com-
portamiento del proceso y puede ser utiliza-
do para propósitos de diseño, optimización,
control y escalado.
Metodología para la modelación de procesos
Un modelo matemático de un proceso se
define como un conjunto de ecuaciones que
expresan las características esenciales del
fenómeno o proceso en términos matemáti-
cos. Estos modelos se caracterizan por su
universalidad, empleo de un lenguaje preci-
so, sin ambigüedades y facilidades de mani-
pulación analítica e implementación com-
putacional.
Todo modelo posee estructura y paráme-
tros. La estructura es la descripción cualita-
tiva del proceso mediante ciertas ecuacio-
nes y los parámetros son valores constantes
que modifican la estructura.
En un MSBF la estructura se basa en los
fenómenos de transporte, los que permiten
describir cómo se mueve o pasa a través de
la superficie cualquier entidad "z" y la tasa
de cambio en el tiempo se expresa como dz
Por otra parte, la aplicación de las leyes dt
de conservación, alerta del cambio de una
propiedad en el interior del sistema.
Por lo general, en los procesos químicos
y biotecnológicos las propiedades posibles
de balancear son la materia y la energía.
Mediante los balances de materia, energía y
cantidad de movimiento se pueden obtener
y relacionar las variables más significativas
del proceso. Las ecuaciones de balances
deben ser completadas con ecuaciones
ICIDCA 45 (1) 2011
constitutivas para los parámetros del mode-
lo que pueden expresar diferentes condicio-
nes cinéticas o fenómenos de transporte del
proceso. Estas ecuaciones generalmente se
obtienen de manera empírica mediante
experimentación.
Las entidades a modelar en una fermen-
tación son, la biomasa, el sustrato limitante,
el producto, el oxígeno y el calor, funda-
mentalmente. La modelación matemática de
este proceso incluye la descripción cinética,
a nivel del microorganismo y del bio-reac-
tor. La ecuación general de conservación
aplicada a un sistema dinámico tiene la
siguiente expresión para cada entidad den-
tro del bio-reactor:
⎛ Velocidad de ⎞ ⎛Velocidad de ⎞ ⎛Velocidad neta ⎞
⎜ ⎟=⎜ ⎟ +⎜ ⎟
⎝ Acumulación ⎠ ⎝ Transporte ⎠ ⎝ de Conversión ⎠
Las ecuaciones resultantes son llamadas
ecuaciones de estado del modelo y descri-
ben la dependencia del tiempo de las varia-
bles de estado del sistema. Como se observa,
es necesario contar con información sobre
la entrada y salida (el transporte) de la enti-
dad bajo estudio y sobre su consumo o pro-
ducción dentro del sistema. Esta última
información es a lo que se le llama micro-
cinética del proceso de transformación.
El modelo de micro-cinética del siste-
ma, conjuntamente con el modelo del fenó-
meno de transporte constituye el modelo
macro-cinético del comportamiento del
bio-reactor (5).
El crecimiento microbiano puede ser
modelado con diferentes niveles de comple-
jidad; molecular o enzimático, macromole-
cular o de componentes celulares, celular y
de poblaciones.
De acuerdo al nivel de complejidad que
se desee, estos modelos se clasifican en:
• Modelos estructurados, se caracterizan
por utilizar los contenidos de la célula en
proteínas, enzimas y/o ácidos nucleicos,
así como la masa celular o concentración
molar para expresar la cinética (6).
• Modelos de sistemas de enzimas, se
caracterizan por incluir información
sobre la ruta metabólica. También pue-
den importar la regulación enzimática,
inducción, inhibición, etc. (7).
• Modelos no estructurados, se ignoran los
cambios en la composición de la bioma-
ICIDCA 45 (1) 2011
sa y por lo tanto el estado fisiológico de
una población de microorganismos se
representa por su velocidad específica de
crecimiento (8).
Finalmente, para construir un MSBF de
un proceso es importante seguir los siguien-
tes pasos:
1. Formular un modelo verbal del proceso
conjuntamente con un diagrama de flujo.
Aquí es importante definir explícitamen-
te el objetivo de estudio con todas sus
características, se debe contar con una
descripción fiel de lo que ocurre en el
proceso para poder construir un diagra-
ma de flujo del mismo.
2. Fijar el nivel de detalle del modelo.
Consiste en escribir todos los supuestos
en que se basa el modelo con el objetivo
de reducirlo para que describa los fenó-
menos relevantes únicamente. Esto con-
tribuye a omitir esfuerzo computacional
innecesario. Se debe revisar si el sistema
es homogéneo, y si algunas variables y
parámetros pueden considerarse cons-
tantes en el modelo.
3. Definir las fronteras del proceso.
Consiste en establecer qué porción del
proceso se va a modelar mediante las
ecuaciones de balances. En el caso de
existir más de una, se deben considerar
las posibles interacciones entre las fron-
teras. Las porciones en que se divide el
proceso pueden estar dadas por separa-
ciones físicas entre los equipamientos o
entre distintas fases (gas, líquido, sólido).
4. Construir las ecuaciones de balances. Se
trata de aplicar la teoría de los fenóme-
nos de transporte y las leyes de conser-
vación para establecer la entrada y salida
(el transporte) de la entidad bajo estudio
y su consumo o producción dentro del
sistema. En sistemas de procesos se plan-
tean los siguientes balances:
• Balance de masa, se utiliza cuando
existe una acumulación significativa
de esta dentro del sistema.
• Balance por componentes, se usa
cuando al menos una de las sustan-
cias que componen la masa varía
durante el proceso. Si existe más de
una sustancia cambiando se pueden
establecer relaciones entre ellas.
• Balance de energía, para plantearlo se
debe tener claro qué sistema de proce-
so entrega energía y cuál lo recibe.
39
5. Definir las variables, parámetros y cons-
tantes conocidas del proceso, se deben
identificar cuales son las variables
dependientes o variables de respuesta
de nuestro modelo, así como, las varia-
bles independientes o fijas. En este
punto es necesario precisar los paráme-
tros del modelo que describen cómo
cambia alguna propiedad o composi-
ción del sistema.
6. Calcular los grados de libertad del
modelo, se debe determinar la consis-
tencia matemática del modelo, usual-
mente expresada en términos de los gra-
dos de libertad del sistema, definidos
como:
GL = No. variables - No. ecuaciones
Si GL<0 entonces el modelo no tiene
solución, está subespecificado. Si GL=0
el modelo tiene solución única y por últi-
mo, si GL>0 existen múltiples solucio-
nes, el modelo está sobreespecificado.
7. Estimar los parámetros del modelo, la
estimación de parámetros se puede rea-
lizar mediante técnicas de reconcilia-
ción de datos utilizando la información
experimental del proceso y minimizan-
do las diferencias mínimo cuadráticas
entre los valores experimentales y los
estimados por el modelo. También se
pueden encontrar ecuaciones constitu-
tivas que describan la dependencia de
los parámetros con respecto a las condi-
ciones del proceso.
8. Resolver el modelo, de acuerdo a las
características matemáticas del modelo
(sistema de ecuaciones algebraicas, sis-
tema de ecuaciones diferenciales ordi-
narias, sistema de ecuaciones diferen-
ciales parciales, etc.). Se debe utilizar el
algoritmo de solución más apropiado.
En el mercado existen distintas herra-
mientas de software que realizan este
trabajo como MATLAB, EXCEL, MATH-
CAD, MATHEMATICA, aunque por su
sencillez, versatilidad, interfase amiga-
ble y potencia de cálculo se recomienda
el empleo del software Model Maker
(Cherwell Scientific Ltd., Oxford, UK).
9. Interpretación de los resultados, los
resultados que ofrece el modelo deben
tener una interpretación física. Aquí es
muy importante la experiencia del espe-
40
cialista para seleccionar aquella solu-
ción que responda al comportamiento
físico del proceso. Se debe evaluar la
concordancia de estos resultados con
los valores experimentales.
10. Análisis de sensibilidad, por último se
debe implementar un análisis de sensi-
bilidad para ver cuán sensibles pueden
ser las respuestas del modelo a cambios
en los parámetros. Esto también nos
permitiría conocer cuáles son los pará-
metros más importantes.
Ejemplo de aplicación de la metodología:
modelo de fermentación alcohólica
Se pretende simular un proceso de fer-
mentación alcohólica utilizando como sus-
trato, las mieles de caña suplementadas
con fuentes de nitrógeno. Siendo el pH del
medio aproximadamente de 4,3. Estas mie-
les son fermentadas por levaduras de la
especie Saccharomyces cerevisiae. El pro-
ceso se desarrolla en un ambiente anaeró-
bico y se opera de forma discontinua (no
hay flujo de entrada ni de salida y el volu-
men de fermentación se mantiene constan-
te). Al proceso se le recircula levadura
según el esquema Melle-Boinot.
Se utiliza un fermentador de acero
inoxidable de 270 m³ de volumen de opera-
ción. Se considera un 10% de volumen de
inóculo con conteo total de células igual a
800x106 equivalente a 25,4 kg/m3. Para con-
trolar la temperatura del proceso en 32 °C
se adiciona un intercambiador de placas
con una superficie de transferencia de
A=43,26 m². El modelo tiene como objeti-
vo predecir el comportamiento dinámico de
las concentraciones de biomasa, sustrato,
producto y temperatura.
Para construir el modelo del proceso se
tuvo en cuenta los siguientes supuestos:
1. Modelo para el análisis del proceso
desde un nivel macroscópico y no estruc-
turado. El fluido en fase líquida dentro
del fermentador no es discreto en ningún
momento y el estado fisiológico de la
población de microorganismos se repre-
senta por su velocidad específica de cre-
cimiento.
2. Se considera un sistema homogéneo, no
hay diferenciación entre los sólidos (la
levadura) y el líquido, tomándolos
como si estuvieran en una misma fase
(líquida).
ICIDCA 45 (1) 2011
3. La masa del gas-vapor en el interior del fer-
mentador es muy pequeña comparada con la
del líquido y el equilibrio térmico es inme-
diato por lo que no se considera su dinámica.
4. El flujo térmico que pasa por el inter-
cambiador de calor, se asume con una
respuesta dinámica tan rápida, compara-
da con la del líquido que está en el inte-
rior del fermentador, y se puede formular
su comportamiento estático por una
ecuación algebraica.

Partiendo de las consideraciones anteriores se construyó el siguiente modelo del proceso:

Balance total de masa:

⎡ Razón de cambio ⎤ ⎡Volumen ⎤ ⎡Volumen ⎤

⎢ de Volumen ⎥ = ⎢ entra ⎥ − ⎢ sale ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦

dV Ec. (1)
= Fe − Fs
dt

Balance por componente biomasa:

⎡ Razón de cambio ⎤
⎢ de cantidad de ⎥ = ⎡ Biomasa ⎤ − ⎡Biomasa ⎤ + ⎡Biomasa ⎤ − ⎡Biomasa ⎤
⎢ ⎥ ⎢ entra ⎥ ⎢ sale ⎥ ⎢ crece ⎥ ⎢ muerte ⎥
⎢⎣ Biomasa ⎥⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦

d ( XV ) Ec. (2)
= Fe X e − Fs X s + V ( μ − K d ) X
dt

para describir el crecimiento de la levadura se utilizó la ecuación de cinética de crecimien-

to de tipo Monod (9).

S
μ = μmax Ec. (3)
Ks + S

otro aspecto que se tiene en cuenta en la modelación de la cinética de crecimiento es la

dependencia de μmax. de las condiciones medioambientales como el pH y la temperatura
del medio. En este caso se utilizó el modelo propuesto por Rosso (10).

⎧ μopt f ( pH ) g (T ) si Tmin ≤ T ≤ Tmax y pH min ≤ pH ≤ pH max

μmax = ⎨
⎩ 0 en otro caso

f ( pH ) =
( pH − pH min )( pH − pH max ) Ec. (4)
( pH − pH min )( pH − pH max ) − (pH − pH opt )
2

ICIDCA 45 (1) 2011 41

 (T − Tmax )(T − Tmin )
2

g (T ) =
(Topt − Tmin )⎡⎣(Topt − Tmin )(T − Topt )− (Topt − Tmax )(Topt + Tmin − 2T )⎤⎦

Balance por componente sustrato:

⎡ Razón de ⎤ ⎡ Sustrato ⎤ ⎡ Sustrato ⎤ ⎡ Sustrato ⎤

⎢consumo de ⎥ = ⎡Sustrato ⎤ − ⎡Sustrato ⎤ − ⎢ consumido ⎥ − ⎢ consumido para ⎥ − ⎢consumi do para ⎥
⎢ ⎥ ⎢ entra ⎥ ⎢ sale ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ sustrato ⎥⎦ ⎣ ⎦ ⎣ ⎦ ⎢
⎣ para crecer ⎥⎦ ⎢⎣formación de product o⎥⎦ ⎢⎣ mantenimiento ⎥⎦

d (SV ) ⎡ μX rp ⎤
Ec. (5)
= Fe Se − Fs Ss −V ⎢ + + Km X ⎥
dt ⎢⎣Yx / s Yp / s ⎥⎦

Balance por componente producto:

⎡ Razón de ⎤
⎢ acumulación de ⎥ = ⎡ Producto ⎤ ⎡Producto ⎤ ⎡Formación de ⎤ ⎡Degradación de⎤
⎢ ⎥ ⎢ entra ⎥ − ⎢ sale ⎥ + ⎢ Producto ⎥ − ⎢ producto ⎥
⎢⎣ producto ⎥⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦

d (PV )
= Fe Pe − Fs Ps + V (rp − K dp P ) Ec. (6)
dt

En este caso se considera que existe una producción neta de etanol, debido al creci-
miento del microorganismo y otra producto del mantenimiento por lo que se utiliza la ecua-
ción de Luedeking-Piret (11) para describir este fenómeno.

rp = Y p / x μ X + m p X Ec. (7)

Balance general de energía:

⎡ Razón de ⎤
⎢acumulación ⎥ = ⎡ Calor ⎤ − ⎡Calor ⎤ + ⎡ Calor ⎤ ⎡ Calor ⎤
−
⎢ ⎥ ⎣ entra ⎦ ⎣ sale ⎦ ⎣evolucionado ⎥⎦ ⎢⎣transferido ⎥⎦
⎢ ⎥ ⎢ ⎥ ⎢
⎢⎣ de calor ⎥⎦

dQ dQ g
= Qe − Q s + − Qtranf Ec. (8)
dt dt

42 ICIDCA 45 (1) 2011

 ⎛ dQg ⎞
dT ⎛ 1 ⎞ ⎜ e e e ( ) (
F ρ Cp * Te − Tref − Fs ρm Cpm * T − Tref + ) ⎟
dt ⎟ Ec. (9)
=⎜ ⎟ * ⎜
dt ⎝ V * ρm * Cpm ⎠ ⎜ −Q dV ⎟
⎝
(
⎜ tranf − ρm Cpm T − Tref )
dt
⎟
⎠

(
Qe = Fe ρeCpe * Te − Tref ) Ec. (10)

(
Qs = Fs ρm Cpm * T − Tref ) Ec. (11)

Qg = V * S cons * ΔH R Ec. (12)

Qtranf = K * A * (T − Ta ) Ec. (13)

Diversos autores (12-16) reportan como mente agitados teniendo en cuenta el con-
valor promedio de calor de reacción en la sumo de potencia del agitador, la geometría
fermentación alcohólica ΔHR = 100,32 del reactor y la velocidad superficial de sali-
kJ/mol sustrato consumido. Esto es equiva- da del aire. Es posible realizar el escalado de
lente a ΔHR = 133,116 kcal/kg de glucosa un bio-reactor seleccionando cualquiera de
consumida. los criterios de escalados que frecuentemen-
te se utilizan y combinándolo con las ecua-
Solución del modelo y simulación del pro- ciones del modelo.
ceso de fermentación alcohólica A continuación se muestran dos simula-
Con el objetivo de facilitar la solución de ciones con el modelo anterior. En la tabla 1,
los modelos anteriores se implementó la aparecen valores típicos reportados en la
herramienta de software FERMENTA 5.0 literatura para los parámetros del modelo
(17,18) dirigida a la simulación y escalado (19, 3).
de fermentaciones. El software cons-
truye automáticamente el modelo de
ecuaciones diferenciales y algebraicas Tabla 1. Relación de parámetros del modelo
que representa el proceso fermentativo
y lo resuelve utilizando potentes algo- Parámetro Valor UM Parámetro Valor UM
-1
ritmos numéricos. Para mostrar los ì opt 0,25 h pHmin 3 -
resultados, cuenta con una interfase Ks 4,1 kg/m 3 pHmax 7,5 -
gráfica que permite analizar el compor- mp 0,1 kg/[kg h] pHopt 4,5 -
tamiento en el tiempo de una o mas Km 0,2 kg/[kg h] Tmax 45 °C
variables de estado a la vez. Yxs 0,093 kg/kg Tmin 5 °C
En FERMENTA 5.0 están disponi- Y ps 0,45 kg/kg T opt 30 °C
-1 -1
bles más de treinta expresiones de K d 0 h K dp 0 h
cinéticas de crecimiento, incluyendo
aquellas que dependen de las condiciones
medioambientales. También es posible con- La figura 1 muestra el diagrama de flujo,
figurar cualquier tipo de operación de pro- construido con el software FERMENTA 5.0,
cesos fermentativos (discontinua, semicon- de una fermentación alcohólica operada en
tinua con diferentes esquemas de alimenta- forma discontinua, en un tanque de 270 m³.
ción continua). Para las fermentaciones Se inicia la simulación con un valor de bio-
aerobias, realiza el balance de oxígeno masa Xo = 2,54 kg/m³, sustrato So = 130 kg/
disuelto, incluye un procedimiento para la m3 y producto Po = 2,32 kg/ m³. La tempe-
estimación del KLa en tanques completa- ratura comienza en To = 32 °C. En la parte

ICIDCA 45 (1) 2011 43

derecha de la figura se repor-
tan los principales índices
del proceso. En este caso se
trata de una fermentación
que se demora alrededor de
8,05 h en agotar el sustrato y
lo hace con una eficiencia de
88,03% para una productivi-
dad de 3,10 L/[m³ h] obte-
niéndose un grado alcohóli-
co de 7,44 °GL , estos valores
se corresponden con los
obtenidos frecuentemente en
la industria alcoholera.
La dinámica del proceso,
figura 2, muestra el patrón
típico de comportamiento de
la concentración de biomasa,
el etanol se forma proporcio- Figura 1. Diagrama de flujo del proceso discontinuo.
nal al crecimiento de la bio-
masa y el sustrato disminuye
hasta su agotamiento. Por otra parte la super- se deja agotar el sustrato hasta la concentra-
ficie de transferencia de calor del intercam- ción de 7 kg/m³ y se vuelve alimentar
biador de placas A = 43,26 m² es suficiente medio fresco hasta llegar a 110 m³, cuando
para mantener la temperatura de fermenta- la concentración de sustrato en el fermen-
ción entre 32 y 34 °C. tador sea igual a la anterior se llena el tan-
Si ahora, por ejemplo, se opera la fer- que. El proceso termina cuando la concen-
mentación en modo semi-continuo con ali- tración de sustrato dentro del fermentador
mentación incrementada comenzando con sea de 3 kg/m³. La figura 3, muestra la confi-
un volumen inicial de 65 m³, cuando el sus- guración del diagrama de flujo para este caso.
trato llega a una concentración de 7 kg/m³ se Con esta forma de operar se obtiene otro
adiciona medio fresco hasta alcanzar 90 m³, tipo de resultado, el proceso demoraría el

Figura 2. Comportamiento dinámico de la fermentación discontinua.

44 ICIDCA 45 (1) 2011

doble que en el caso disconti-
nuo (8,60 h), este tiempo de
duración de la fermentación
incluye el tiempo de llenado
de las diferentes etapas. En la
fermentación discontinua la
simulación del proceso
comienza a partir de tener
lleno el tanque. Por otra parte,
la productividad se incre-
menta de 3,10 L/[m³ h] a 4,06
L/[m³ h] y el grado alcohólico
de 7,44 °GL a 9,75 °GL. Este
resultado coincide con el
hecho de que con el modo de
operación semi-continuo se
tiene mayor control de la ali-
mentación del microorganis-
mo y se puede dirigir mejor la Figura 3. Diagrama de flujo del proceso semi-continuo.
fermentación a la producción
de etanol.

Figura 4. Comportamiento dinámico de la fermentación semi-continua.

En la figura 4 se puede ver el efecto del
llenado del fermentador por etapas. Se nota
el impacto que tiene el llenado sobre las
dinámicas. La biomasa decrece durante el
tiempo de llenado de cada etapa para des-
pués tomar fuerza su crecimiento. Este
decrecimiento se debe a una mayor dilución
de la biomasa al añadir medio fresco y
aumentar la concentración de sustrato.

ICIDCA 45 (1) 2011 45

CONCLUSIONES
• Se presentó una metodología general
para construir modelos de procesos a
partir del conocimiento fenomenológico
del mismo.
• La metodología propuesta constituye una
herramienta útil para el trabajo de dise-
ño, control y optimización de procesos
que realizan los ingenieros e investigado-
res.
• Se implementó la herramienta de
Software FERMENTA 5.0 destinada a la
modelación y simulación de procesos de
fermentación.
• Mediante el modelo del proceso de fer-
mentación alcohólica se pudo simular
dos formas de operación diferentes y
comparar sus resultados.
• Los resultados del balance de energía
indican que para controlar la temperatu-
ra del proceso (≈ 32 °C) se necesita un
área de transferencia en el intercambia-
dor de calor de A = 43,26 m2.
• El modelo construido de la fermentación
alcohólica describe la influencia de dis-
tintos factores sobre el comportamiento
del proceso y predice el cambio del
mismo.
NOMENCLATURA
V: Volumen de operación del fermentador [m3].
F: Flujo volumétrico [m3/h].
t: Tiempo de fermentación [h].
X: Concentración de biomasa [kg/m3].
S: Concentración de sustrato [kg/m3].
P: Concentración de producto [kg/m3].
T: Temperatura [°C].
pH: pH.
Tref: Temperatura de referencia [°C].
rp: Velocidad volumétrica de formación de pro-
ducto [kg/m3h].
ρm: Densidad del medio [kg/m3].
Cpm: Calor específico del medio [kcal/ kg °C].
dQ
: Flujo de calor [kcal/h].
dt
dQg : Flujo de calor generado en la fermentación
dt [kcal/h].
Qtranf: Flujo de calor transferido en el inter-
cambiador de calor [kcal/ h].
ΔHR: Entalpia de reacción [kcal/Kg].
46
K: Coeficiente de transferencia de calor del
intercambiador [kcal/m2 °C h].
A: Área de transferencia de calor del intercam-
biador [m2].
Ta: Temperatura del agua de enfriamiento [°C].
Tref: Temperatura de referencia [°C].
µ: Velocidad específica de crecimiento [h-1].
Kd: Velocidad específica de muerte [h-1].
Yp/s: Rendimiento de producto por sustrato con-
sumido [kg producto/kg sustrato].
Yx/s: Rendimiento de biomasa por sustrato con-
sumido [kg biomasa/kg sustrato].
Yp/x: Rendimiento de producto por biomasa
generada [kg producto/kg biomasa].
mp: Velocidad específica de formación de pro-
ducto debida al mantenimiento. [h-1]
µmax: Velocidad específica máxima de creci-
miento. [h-1]
KS: Constante de saturación de la célula por sus-
trato [kg/m3].
Km: Constante de mantenimiento de la célula
[kg sustrato/kg biomasa h].
KI: Constante de inhibición por sustrato [m3/kg].
Xmax: Concentración máxima de biomasa en
que la levadura crece [kg/m3].
Pmax: Concentración máxima de producto en
que la levadura crece. [kg/m3].
n: Constante de inhibición asociada al producto.
m: Constante de inhibición asociada a la biomasa.
µopt: Velocidad específica óptima de crecimien-
to [h-1].
Tmin: Temperatura mínima en que la célula vive
[°C].
Tmax: Temperatura máxima en que la célula
vive [°C].
Topt: Temperatura óptima de crecimiento de la
célula [°C].
pHmin: pH mínimo en que la célula vive.
pHmax: pH máximo en que la célula vive.
Subíndices
e En la entrada del reactor.
s En la salida del reactor.
REFERENCIAS BIBLIOGRÁFICAS
1. Villamizar Roa, E. J. Modelos y modela-
miento matemático. [en línea]
<http://www.matematicas.uis.edu.co/~
elderj/> [Consulta: Julio 2010]
2. Gómez, C. A.; Calderón, Y. A.; Álvarez,
H. Construcción de modelos semifísicos
de base fenomenológica. Caso proceso
de fermentación. [en línea] Revista
ICIDCA 45 (1) 2011
 Facultad de Ciencias Agropecuarias
(Colombia) 6 (2), 2008,
< h t t p : / / w w w. u n i c a u c a . e d u .
co/.../CONSTRUCCION%20DE%20MO
DELOS.pdf>[Consulta: Julio 2010].
3. Rivera, E., C.; Costa, A.C.; et al.
Evaluation of optimization techniques
for parameter estimation: application to
ethanol fermentation considering the
effect of temperature Process
Biochemistry (Brasil) (41): p. 1682-1687,
2006.
4. Ruiz, A.A.; Álvarez, H. Hacia el escalado
de procesos desde su modelo fenomeno-
lógico. [en línea] <http://www.unal-
med.edu.co/.../Hacia_escalado_proce-
sos_desde_su_modelo fenomenologi-
co.doc>[Consulta: Julio 2010].
5. Roels, J. A. Energetics and Kinetics in
Biotechnology. New York: Editorial
Elsevier Science Publishing, 1983. p. 1-
299.
6. Garfinkel D. Concepts and Models in
Biomathematics. New York: Editorial
Marcel Dekker Inc., 1969 Vol. 1, p. 1.
7. Michaelis, L. y Menten M. L., Biochem,
Z. 49, 333 (1913).
8. Monod, J. Recherches sur la Croissance
des Cultures Bactériennes. 2da ed. Paris:
Hermann et Cie, 1958.
9. Levenspiel, Octave. The Monod
Equation: A revisit and generalization to
product inhibition situation.
Biotechnology and bioengineering, Vol
22, John Wiley & Sons Inc. 1980.
10. Rosso, L. Convenient model to describe
the combined effects of temperature and
pH on microbial growth. Applied and
environmental microbiology. 61 (2), p.
610-616, 1995
11. Luedeking, R.; Piret, E. L. Transient and
steady states in continuous fermenta-
ICIDCA 45 (1) 2011
tion. Theory and experiment, Journal of
biochemical and microbiological tech-
nology and engineering. 1 (4), 1959.
12. Boulton, R.; Singleton, V. L.; Bisson, L.;
Kundee, R. Principles and practices of
winemaking, Chapman and Hall. New
York. 1996.
13. Flanzy, C (Coordinador). Enología:
Fundamentos científicos y tecnológi-
cos¨. AMV Ediciones y Mundi prensa.
Madrid. España, 2000.
14. Ribereau Gayón, P.; Dubordieu, D.;
Donéche, B. Traité d´Oenologie. Dunod.
Buenos Aires. Argentina, 1997.
15. Suárez, J. A. "Levaduras vínicas.
Funcionalidad y uso en bodega".
Mundiprensa. Madrid. España, 1997.
16. Willians, L. A.; Boston, R. Modeling and
prediction of evaporative etanol during
wine fermentations. Am. J. Enol. Vitic,
34 (4):p. 234-242, 1983.
17. Ribas, M.; Hurtado, R.; et al. A software
for simulation of fermentation proces-
ses. En: Memorias del XXVII Congreso
de la ISSCT, México , 2010.
18. Ribas, M.; Doménech, F. Integración
Excel-Matlab para la simulación dinámi-
ca de sistemas de fermentación alcohóli-
ca. Revista de Ingeniería Química
Española. (470):p. 104-109, 2009.
19. Atala, D. Kinetics of ethanol fermenta-
tion with high biomass concentration
considering the effect of temperature.
Applied biochemistry and biotechno-
logy. 10:p.91-93, 2001.
20. Aiba, S.; Shoda, M.; Nagatani, M.
Kinetics of product inhibition in alcohol
fermentation. Biotechnology and bioen-
gineering. 10, 1968.
21. Shuler, M. L.; Kargi, F. Bioprocess
Engineering: Basic Concepts, Prentice-
Hall. 1992.
47