1 s2.0 S1405774314722127 Main

Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-232
ISSN 1405-7743 FI-UNAM

(artículo arbitrado)
Simulación del proceso de fermentación de cerveza artesanal

Fermentation Process Simulation of Homebrewing Beer
Garduño-García A. Martínez-Romero S.
Posgrado en Ingeniería Agrícola y Uso Integral del Agua Departamento de Ingeniería Agroindustrial
Universidad Autónoma Chapingo Universidad Autónoma Chapingo
Correo: angel_g889@hotmail.com Correo: fsalamarom@hotmail.com
López-Cruz I.L. Ruíz-García A.

Posgrado en Ingeniería Agrícola y Uso Integral del Agua Posgrado en Ingeniería Agrícola y Uso Integral del Agua
Universidad Autónoma Chapingo Universidad Autónoma Chapingo
Correo: ilopez@correo.chapingo.mx Correo: aruiz@correo.chapingo.mx
Información del artículo: recibido: diciembre de 2012, aceptado: abril de 2013
Resumen
El objetivo de la presente investigación fue estudiar el comportamiento del

proceso de fermentación de cerveza artesanal mediante un modelo matemá-
Descriptores:
tico dinámico. El modelo contiene las tasas de cambio de las variables de
estado concentración de glucosa, maltosa y maltotriosa. La variable de sali- Ȋ modelo mecanicista
da es la concentración de etanol y como variable auxiliar contempla la con- Ȋ sistema dinámico
centración de biomasa (levaduras). Este modelo fue programado en el Ȋ análisis de sensibilidad
ambiente Matlab-Simulink y para su integración numérica se utilizó el mé- Ȋ calibración
todo de Dormand-Prince de cuarto grado con tamaño de paso de integra- Ȋ cerveza
ción variable y una tolerancia relativa de 10–8. Para conocer sus parámetros
más importantes se realizó un análisis de sensibilidad local. Además se llevó
a cabo un experimento para producir cerveza artesanal a una temperatura
constante (21°C). Se implementaron 14 unidades experimentales (fermenta-
dores) con las mismas condiciones iniciales. De cada fermentador, se midie-
ron las concentraciones de las variables de estado incluidas en el modelo
matemático. Usando los resultados experimentales el modelo se calibró me-
diante los algoritmos de optimización mínimos cuadrados no lineales y evo-
àȱǯȱȱȱȱȱÇȱȱǻǼǰȱęȱ
de correlación (r), raíz cuadrada del cuadrado medio (RMSE), error medio
ȱǻǼȱ¢ȱęȱȱàȱǻǼȱȱàȱȱȱȱ
entre las predicciones del modelo y las mediciones de las variables de estado
después de la estimación de los parámetros.
Abstract
The goal of the current research was to study the behavior of the fermentation pro-
cess of home-made beer using a mathematical dynamic model. The model contains Keywords:
the rates of change of the concentration state variables of glucose, maltose and malto-
triose. An output variable is the ethanol concentration and an auxiliary variable is Ȋ mechanistic model
the biomass (yeast) concentration. The model was programmed in the Matlab-Simu- Ȋ dynamic system
link environment, and for its numerical integration Dormand-Prince method of Ȋ sensitivity analysis
fourth order with a variable integration step size and a relative tolerance of 10–8 was Ȋ calibration
used. In order to know which model parameters are more important, a local sensitiv- Ȋ beer
ity analysis was carried out. Furthermore, an experiment was performed to produce
home-made beer at constant temperature (21°C). Fourteen experimental units (fer-
menters) with the same initial conditions were implemented. Using the experimen-
ȱ ȱ ȱ ȱ ȱ ȱ ¢ȱ ȱ ȱ ȱ ȱ ěȱ
ȱǯȱȱȱȱȱȱǻǼǰȱȱĜȱ
(r), squared root of mean squared error (RMSE), mean absolute error (MAE) and
ȱĜ¢ȱȱȱǻǼǰȱȱȱęȱ ȱȱȱȱȱ-
surements were found after the model parameters estimation.
Introducción ȱȱȱȱȱȱęǯȱȱȱ
toman en cuenta la temperatura de fermentación, la
La fermentación es el proceso más importante de la ela- presión en la parte superior del fermentador y la con-
boración de cerveza. Según se realice, producirá resul- centración inicial de levadura, y predicen la densidad
tados diferentes (López, 2007). En la práctica, esto del mosto, la concentración de azúcar residual, la con-
ęȱ ȱ ȱ ȱ ȱ àȱ ȱ - centración de etanol y el dióxido de carbono ( CO2) libe-
riar considerablemente entre lotes de cerveza de la mis- rado. Dichos modelos fueron comparados en términos
ma calidad (Defernez et al., 2007; Bamforth et al., 2009). de precisión de la predicción, robustez y capacidad de
La temperatura de fermentación, así como el tipo de generalización (interpolación y extrapolación), llegan-
levaduras utilizado, son de gran relevancia al reprodu- ȱȱȱàȱȱȱȱȱȱȱȱ-
cir un estilo de cerveza determinado, por lo cual, en la tenidos durante el proceso de medición, los modelos
producción es común usar refrigeración para controlar ȱ ¢ȱ ¤ȱ ȱ ȱ ȱ ȱ
la temperatura en el proceso de fermentación (Ramirez ȱǰȱȱ¤ȱęȱȱȱȱ-
y Maciejowski, 2007). nal.
Actualmente existen diversos modelos matemáticos Por otra parte, Xiao et al. (2004) desarrollaron una
ȱȱȱȱ¤ȱȱàȱȱ àȱȱȱȱȱȱȱęȱȱ-
cerveza, estos pueden usarse para predecir algunas va- ȱȱàǰȱȱ¢ȱȱȱȱę-
riables durante la fermentación, como concentración de ȱȱȱǰȱȱȱȱàȱȱęȱ
etanol, sustratos y ésteres (Hepworth et al., 2003). Un àȱȱȱȱȱȱȱ¡£ȱȱ-
buen modelo debe incluir los componentes más impor- ducción de etanol y se reduce al mínimo la concentra-
tantes en la fermentación, entre ellos: azúcares, bioma- ción de subproductos y el riesgo de deterioro. Para la
sa y etanol. Algunos modelos más complejos incluyen optimización de la cinética del modelo se utilizó un al-
el sabor y aroma, los cuales distinguen una cerveza de goritmo de optimización de colonia de hormigas.
otra. Estos modelos proveen de bases sólidas para rea- Madar et al. (2005) plantearon un problema de opti-
lizar la optimización del proceso (Ramirez y Macie- mización del proceso de fermentación en su trabajo,
jowski, 2007). utilizaron computación evolutiva interactiva (IEC). Los re-
Dentro de las investigaciones realizadas para simu- ȱȱȱȱȱȱȱȱ·-
lar el proceso de fermentación se encuentra la de Trelea ȱęȱ¢ȱàȱȱȱȱȱ
et al. (2001), donde se proponen y validan tres modelos del usuario en la optimización del modelo basado en
dinámicos de fermentación de cerveza a escala de labo- procesos por lotes.
ratorio: un modelo basado en el conocimiento biológico Otro experimento importante relacionado con este
de la fermentación, un modelo empírico basado en la tema, es el desarrollado por Oonsivilai y Oonsivilai
forma de curvas experimentales y un modelo de caja ǻŘŖŖşǼǰȱȱ£ȱȱȱȱ-
222 Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM
Garduño-García A., López-Cruz I.L., Martínez-Romero S., Ruíz-García A.
ęȱ ȱ ȱ ȱ ȱ ȱ ǰȱ ȱ ęȱ ȱ ne tres azúcares, maltosa, glucosa y maltotriosa. Las
obedecer ciertas restricciones durante la fermentación tasas de cambio de los tres azúcares (variables de esta-
ȱ ȱ £ǯȱ ȱ Ûȱ ȱ ȱ ęȱ ȱ ȱ do) se calculan mediante tres ecuaciones diferenciales:
también es un problema de optimización, donde el ob-
jetivo es reducir al mínimo el tiempo de operación y Glucosa:
optimizar la calidad de la cerveza, dicho problema fue
P1 G X
dG
resuelto mediante un algoritmo evolutivo llamado evo- (1)
dt
àȱ ǯȱ ȱ ȱ ȱ ȱ ȱ
algoritmo es un método fácil y competente para incor- Maltosa:
porar el conocimiento previo del usuario en la optimi-
P 2 M , G X
dM
£àȱ ȱ ęȱ ȱ ȱ ȱ ȱ ȱ ȱ (2)
dt
lotes.
Otro modelo importante es el desarrollado por En- Maltotriosa:
gasser et al. (1981) para controlar el proceso de fermen-
P 3 N , M , G X
dN
tación, el cual toma en consideración el metabolismo de (3)
dt
la levadura y ecuaciones de cinética relativamente sim-
ples para la asimilación de diferentes azúcares. Este donde
ȱȱęȱȱ ȱ¢ȱ£ȱǻŗşŞŞǼȱȱ
VG G
incluir los efectos de la temperatura en dicho proceso, P1 G (4)
KG G
ȱȱȱȱȱȱȱàȱȱ-
ne tres azúcares, maltosa, glucosa y maltotriosa. En in-
VM M K´G
ȱ ¤ȱ ǰȱ ȱ ¢ȱ £ȱ ǻŗşşŚǼȱ P2 M , G (5)
K M M K´G G
desarrollaron un nuevo modelo de fermentación de
cerveza, el cual se puede subdividir en un modelo de
VN N K´G K´M
crecimiento, un modelo de aminoácidos y un modelo P3 N , M , G (6)
K N N K´G G K´M M
de sabor-aroma. Los resultados evidenciaron la capaci-
dad de describir con precisión la dinámica de fermenta-
ción de cerveza por lotes. y G (mol m–3) es la concentración de glucosa, M (mol m–3)
Los diferentes modelos encontrados en la literatura es la concentración de maltosa, N (mol m–3) es la concen-
para simular el proceso de fermentación, se han enfoca- tración de maltotriosa, X (mol m–3) es la concentración de
do en la cerveza producida a gran escala en la industria, biomasa, μi(h–1ǼȱȱȱȱÇęȱȱàȱȱ£ø-
ȱȱȱȱȱȱȱȱ- car, Vi (h–1) es la velocidad de reacción máxima para el
nes industriales reales. Por lo anterior, en el presente azúcar (i = G, M, o N), Ki (mol m–3) es la constante de Mi-
trabajo se plantearon los siguientes objetivos: i) simular chaelis para el azúcar (i = G, M, o N) y K’i es la constante
el proceso de fermentación de cerveza artesanal me- de inhibición para el azúcar (i = G o M).
diante un modelo dinámico mecanicista utilizado para Ecuaciones algebraicas para concentraciones de bio-
el proceso de producción de cerveza industrial, ii) reali- masa y etanol, respectivamente:
zar un análisis de sensibilidad local del modelo, iii) es-
timar los parámetros más importantes del modelo X t X t0 RXG ª¬G t0 G t º¼ (7)
usando mediciones de las variables de estado prove-
nientes de un experimento. RXM ª¬ M t0 M t º¼ RXN ª¬ N t0 N t º¼
Desarrollo
E t REG ª¬G t0 G t º¼ (8)
Modelo matemático para la fermentación
REM ª¬ M t0 M t º¼ REN ª¬ N t0 N t º¼
El modelo matemático de fermentación de cerveza uti-
£ȱ ȱ ȱ ǰȱ ȱ ȱ ȱ ¢ȱ £ȱ donde E (mol m–3) es la concentración de etanol, Rxi es el
(1988). Sin embargo, en esta investigación no se consi- ȱ·ȱȱȱȱȱȱȱ
àȱȱȱȱȱȱȱȱȱȱ azúcar reaccionado (i = G, M, o N) y REi es el rendimien-
proceso se llevó a cabo a temperatura constante. En este ȱ·ȱȱȱȱȱȱ£øȱ-
ȱȱȱȱȱȱȱàȱ- nado (i = G, M, o N), Rxi y REi se suponen constantes.
Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 223
Descripción del experimento mental. La levadura se sembró directamente en cada

ȱȱȱȱ¢ȱȱęàȱȱȱ-
Para la obtención de datos experimentales se produjo tura del mosto estuviera a 21°C. Los fermentadores se
£ȱȱȱÛȱǰȱ£ȱȱ dejaron en reposo por 30 min y luego se mezclaron
la elaboración de mosto, donde se utilizó extracto de ¤ȱȱȱȱęȱȱȱȱ-
ȱȱȱȱȱęȱȱȱȱȱ- dura y airear el mosto. Después, cada fermentador se
so anterior en la producción de cerveza. Para esto, se acondicionó con un tapón de goma y un airlockȱ ȱ
calentaron 10 L de agua hasta llegar al punto de ebulli- permitiera la salida de gases durante la fermentación
ción, en ese momento se agregaron 2 kg de malta en ǻęȱŗǼǯ
polvo y 10 L más de agua, para obtener una relación de ȱ ȱ ȱ ȱ ȱ ȱ £àȱ ȱ ȱ
un 1 kg de malta por cada litro de agua. Después, se constante fue necesario utilizar una incubadora acondi-
llevó la mezcla al punto de ebullición de nuevo y se ȱȱÇȱȱȱȱȱ¡ȱȱȱ
mantuvo a esta temperatura durante los siguientes 55 ȱȱȱȱȱȱȱŘŗǚǯȱ-
minutos. Durante este tiempo se agregó lúpulo (Humu- nalmente, se acomodaron todos los fermentadores den-
lus lupulus, var. cascade) en dos ocasiones, la primera a tro de la incubadora.
los 15 minutos después de haber alcanzado la tempera-
tura de ebullición y la segunda 25 minutos después de
Adquisición de datos
ȱ ȱ àǯȱ ȱ ȱ ęàȱ ȱ øȱ ¢ȱ
las impurezas para iniciar la puesta en marcha del ex- Las variables medidas durante la fermentación fue-
perimento. ron: concentración de glucosa, maltosa, maltotriosa y
etanol. Los tiempos de medición se determinaron de
Condiciones de operación acuerdo con la dinámica del proceso de fermenta-
ción, la cual presenta una mayor variación durante
ȱȱȱ£ȱȱȱȱȱȱ- los primeros días. En cada medición realizada se
ción en un rango de 17-24°C (López, 2007) y el experi- tomó una unidad experimental para su análisis, esta
mento se realizó a temperatura constante, se decidió se agitaba para homogenizar la muestra. De cada fer-
trabajar a 21°C. Para esto, se acondicionaron 14 unida- mentador se guardaron 40 mL de muestra en un tubo
des experimentales (fermentadores) de 0.5 L, a los cua- de ensayo para colocarlo en congelación. De las
les se les agregaron 0.4 L de mosto. muestras congeladas se eligieron las más representa-
En el proceso de fermentación se utilizó una leva- tivas, con base en el comportamiento de la dinámica
dura seca tipo ale (Saccharomyces cerevisiae), de la cual del proceso de fermentación para una temperatura
se agregó 0.2 g (19.3 mol / m3) a cada unidad experi- de 16°C. Las muestras seleccionadas se analizaron
mediante cromatografía de gases para determinar las
concentraciones de glucosa, maltosa y maltotriosa
(tabla 1 más adelante).
Para obtener la concentración de etanol (tabla 1), se
extrajeron 100 mL de muestra, los cuales se montaron
ȱ ȱ ȱ ȱ àȱ ǻęȱ ŘǼǯȱ ȱ ȱ ȱ
àȱȱȱȱàȱ¡ȱŜŖƖȱȱ
la cantidad contenida en el matraz, posteriormente el
producto evaporado se mezcló con agua destilada has-
ta alcanzar nuevamente una muestra de 100 mL. A par-
tir del producto destilado se llevó a cabo el proce-
dimiento de determinación de alcohol mediante dife-
rencia de densidad con la ayuda de un picnómetro y
una balanza de precisión.
Para determinar el contenido de etanol mediante el
uso del picnómetro y la balanza de precisión, se utilizó
la ecuación 9:
§ M M1 ·
Figura 1. Fermentador acondicionado para producción de d ¨ 3 ¸ dH 2 O (9)
cerveza artesanal © M 2 M1 ¹
Se utilizó una tolerancia relativa de 1 × 10–8. Las estadís-

ticas de ajuste utilizadas para evaluar el desempeño del
modelo con los parámetros estimados en la calibración
fueron: el error cuadrático medio (RMSE), el error abso-
luto (MAE), el sesgo (BIASǼǰȱȱęȱǻEFǼȱ¢ȱȱę-
ciente de correlación (r).
Análisis de sensibilidad del modelo

ȱȱȱ¤ȱȱ¤ȱĚ¢ȱȱȱ
comportamiento de un modelo y, por consiguiente,
candidatos para ser estimados, se realizó un análisis de
sensibilidad local (Saltelli et al., 2000; López et al., 2004),
para lo cual, diferenciando las ecuaciones de estado res-
ȱ ȱ ȱ ȱ ¤ȱ Όȱ ¢ȱ ȱ ȱ ȱ
Figura 2. Proceso de destilación de cerveza artesanal ȱȱȱȱȱȱȱȱȱΌǰȱȱ
ȱǱ
donde d es la densidad de la muestra destilada a 20°C w wx wf ( x , u, T) wx wf ( x , u, T)

(10)
(g mL–1), M1 es la masa del picnómetro vacío (perfecta- wt wT wx x x( t , T 0
)
wT wT x x ( t , T0 )
mente seco) (g), M2 es la masa del picnómetro lleno de

agua destilada (g), M3 es la masa del picnómetro lleno De donde resultan las ecuaciones de sensibilidad:
con la muestra destilada (g) y dH2O es la densidad del
ȱȱŘŖǚǯȱȱȱȱȱàȱşȱȱȱ- wS(t ) wf x , u, T wf ( x , u, T)
S(t ) (11)
tado la densidad de la muestra destilada, se utilizaron wt wx wT

x x t , T0 x x ( t , T0 )
valores tabulados por Vogt (1972), para poder transfor-

mar las unidades en gramos de alcohol por litro (g/L). donde S(tǼȱȱęȱǱ
Sin embargo, el modelo matemático considera la con-
wxi (t , T0 )
centración de etanol en mol m–3ǰȱȱȱȱȱ- S t Sij t ; i 1, } , n; j 1, } , p.
wT j (12)
ción se multiplicó por un factor de (1000/peso molecular
del etanol) donde el peso molecular del etanol es 46.069
En donde el número de ecuaciones de sensibilidad re-
g/mol (Doran, 2003) y de esta forma se obtuvo la concen-
sultante es de nxp.
tración de etanol en las unidades deseadas.
ȱęȱȱàȱȱ¤ǰȱȱ-
cularon las sensibilidades relativas mediante la ecua-
Implementación del modelo matemático ción:
La implementación del modelo se llevó a cabo en el am-

sijr t T0

wxi t , T0 T 0
z0 (13)
biente MATLAB-SIMULINK y consta de un programa wT j
ȱǻȏǯǼȱȱȱęȱȱ-
nes iniciales, el tiempo de simulación y los parámetros ȱȱȱȱȱȱȱȱ
del modelo para una temperatura de 16°C. Adicional- el tiempo, se calculó la integral del valor absoluto de las
mente, se cuenta con una subrutina en SIMULINK don- sensibilidades relativas S(t) en el periodo de fermenta-
de se implementa el modelo dinámico (homebeer.mdl), ción:
ȱ ȱ ȱ ȱ ęȱ ȱ ȱ ȱ ȱ ǻǰȱ
t
maltosa y maltotriosa), la ecuación auxiliar (biomasa) y (14)
la ecuación de salida (etanol). El programa principal
I ³ S dt
0
ȱȱȱȱǻȱǯǼȱȱȱȱ
modelo matemático. Para integrar el modelo se utilizó ȱȱȱȱȱęȱ¢ȱŖȱȱȱǯȱȱ-
el algoritmo de Dormand-Prince, el cual está progra- gral permite comparar de forma numérica los paráme-
mado en la función ode45.m de Matlab. Este método tros y determinar cuáles afectan en mayor medida el
£ȱȱÛȱȱȱȱàȱǻ̇t) variable. comportamiento del modelo.
Calibración del modelo timización anterior también se resolvió mediante el

algoritmo de evolución diferencial, en donde se utilizó
En la calibración del modelo se tomaron en cuenta las la estrategia clásica “DE/rand/1/bin” (Price et al., 2005),
mediciones obtenidas de las variables de estado (gluco- con una probabilidad de cruzamiento CR = 0.2, factor
sa, maltosa y maltotriosa) y la variable de salida (eta- de variación diferencial F = 0.9, tamaño de la población
nol). Para llevar a cabo la calibración del modelo se igual NP = 10 × n donde n es el número de parámetros a
planteó un problema de optimización, usando el proce- estimar, con una precisión de convergencia de la pobla-
dimiento de mínimos cuadrados no lineales para esti- ción 1×10–8 y 50 como número máximo de generaciones.
mar los valores de los parámetros de mayor importancia,
los cuales fueron seleccionados previamente mediante
el análisis de sensibilidad. El algoritmo de optimización Discusión y análisis de resultados
utilizado permitió aproximar lo más posible las predic- ȱ ęȱ řȱ ȱ ȱ àȱ ȱ ȱ ȱ
ciones del modelo a las mediciones. La función a mini- medidos (tabla 1) y los valores simulados para la con-
mizar fue: centración de las variables de estado (G, M y N) y la
variable de salida (E) con respecto al tiempo de fermen-
F T ¦ (15) tación. Las condiciones iniciales utilizadas para la si-
mulación fueron las del experimento (tabla 1), tomando
x
∑ ((G esti
− Gobsi )2 + ( Mesti − Mobsi )2 + ( N esti − N obsi )2 + 0.21( Eesti − Eobsi )2 ) ȱȱȱȱȱȱȱàȱȱȱ
i =1 19.3 mol m–3ǯȱȱȱȱȱȱȱàȱ
se realizó a una temperatura de 21°C, se utilizaron los
ȱΌȱȱȱȱȱȱȱ¤ȱȱ- valores de los parámetros cinéticos correspondientes a
timar, X es el número de mediciones de glucosa (G), ȱȱȱŗŜǚȱǻ ȱ¢ȱ£ǰȱŗşŞŞǼǰȱȱȱ
maltosa (M), maltotriosa (N) y etanol (E), 0.21 es un fac- ȱęȱȱȱȱ¢ȱ£ȱȱȱ-
tor de escala, el subíndice est indica el valor estimado y lores simulados y los medidos.
el subíndice obs, el valor observado. El problema de op- ȱȱȱȱȱęȱřǰȱȱ-
timización se resolvió mediante la rutina lsqnonlin del nes del modelo con los valores de los parámetros para
Optimization toolbox de Matlab, utilizando el algoritmo una temperatura de 16°C, reproducen la dinámica del
ȱȬǯ comportamiento de las variables modeladas; sin em-
ȱȱęȱȱęȱȱȱȱȱ- ǰȱȱȱȱ¢ȱȱȱęȱȱ
ción de los parámetros del modelo, el problema de op- ȱǰȱȱȱȱȱȱ£ȱȱ-
Figura 3.Comparación entre predicciones (modelo con parámetros cinéticos correspondientes a una
temperatura de 16°C) y mediciones de las variables del modelo en el tiempo de fermentación
Tiempo de ȱ Maltosa Maltotriosa Etanol Tabla 1. Mediciones de concentración

medición (h) (G) (mol/m3) (M) (mol/m3) (N) (mol/m3) (E) (mol/m3) de glucosa, maltosa, maltotriosa y etanol
0 84.8 210.4 22.03 0
12 33.4 61.2 17.3 294
18 7.7 31.08 10.7 648.1
30 0.4 11.12 8.7 996.3
36 0.5 6.46 8.5 998.5
57 0.3 3.68 10.1 1074.5
81 0.4 2.56 9.7 1074.5
129 0.7 0.61 7.6 1113.5
201 0.05 0.68 1.2 1080.8
ción de los parámetros (calibración del modelo) selec- tancia, fueron tomados en cuenta durante la calibración
cionados mediante el análisis de sensibilidad descrito. del modelo. Por otro lado, los parámetros K´G , y K´M , al ser
ȱ ȱ ȱ ȱ ȱ ȱ àȱ ȱ ȱ ȱ
gran medida al modelo, no fueron considerados para la
Análisis de sensibilidad
calibración. Los valores de los parámetros no relevantes
ȱȱęȱŚȱȱȱȱȱȱȱ ȱȱȱȱȱȱȱȱ ȱ¢ȱ£ȱ
los estados glucosa (G), maltosa (M) y maltotriosa (N), con (1988), para una temperatura de 16°C.
respecto a cada uno de los parámetros. Un valor absoluto ȱ£ȱȱȱ¤ȱȱȱȱ
ȱ ȱ ȱ ȱ ¢ȱ ȱ ȱ ȱ ȱ ȱ comportamiento del modelo de manera importante, se
ȱȱȱȱȱȱÛȱȱ¤ȱ llevó a cabo la calibración. Los valores de los paráme-
respectivo. Las sensibilidades relativas de los parámetros tros nominales se aproximaron de forma manual si-
se muestran en la tabla 2, donde G, M y N son las variables guiendo su tendencia al aumentar la temperatura de
de estado y VG , VM , VN , KG , KM , KN, K´G , y K´M los paráme- àȱǻ ȱ¢ȱ£ǰȱŗşŞŞǼȱȱȱȱȱ
tros cinéticos del modelo. En la misma tabla se observa ȱȱàȱȱ¡ȱȱȱȱ-
ȱȱȱȱȱG es sensible al cambio en los dos y los valores medidos de las variables de estado,
parámetros VG y KG , la variable de estado M es sensible al estos valores de los parámetros se consideraron como
cambio en los parámetros VM y KM ǰȱȱȱȱ- nominales; en la calibración se les dio un rango de va-
ble de estado N es sensible al cambio en los parámetros VN àȱȱȱȱȱȱ£ȱȱ
y KN ; por lo cual, todos estos parámetros de gran impor- función objetivo (ecuación 15).
Figura 4. Funciones de
sensibilidad local para
las variables de estado
respecto a cada uno de los
parámetros cinéticos del
modelo SR = sensibilidad
relativa, G = glucosa,
N = maltotriosa
Tabla 2. Índices de sensibilidad local para las variables Tabla 3. Valores de los parámetros cinéticos del modelo
de estado con respecto a los parámetros calibrado mediante lsqnonlin
Variables de estado Parámetro Valor estimado
Parámetros M N V 0.1365
VG 35.88 0 0 VM 0.3885
VM 0 61.73 0 VN 0.3287
VN 0 0 7.17 K 0.0980
KG 8.39 0 0 KM 85.9316
KM 0 51.27 0 KN 1254.9
KN 0 0 7.14
K'G 0 2.08 0.22 Tabla 4. Estadísticas de ajuste del modelo calibrado mediante
lsqnonlin
K'M 0 0 0.18
Variable del
r
Calibración y simulación del modelo modelo BIAS MAE RMSE
-1.14 1.14 0.99 2.61 0.99
ȱȱęȱśȱȱȱȱàȱȱȱ-
res de las concentraciones de las variables del modelo Maltosa 8.44 13.71 0.84 27.07 0.94
medidas y simuladas con respecto al tiempo de fermen- Maltotriosa 0.58 3.99 0.30 5.20 0.81
tación, en donde la simulación se realizó con los pará- Etanol 26.66 36.55 0.98 49.21 0.99
metros cinéticos estimados mediante el método de
mínimos cuadrados no lineales para una temperatura
de 21°C. En la tabla 3 se muestran los valores estimados ȱȱȱȱȱȱȱȱ
para cada uno de los parámetros cinéticos del modelo Çȱ ȱ ȱ ȱ ȱ ęȱ śȱ ¢ȱ ȱ ȱ
mediante la rutina lsqnonlin del Optimization toolbox de ajuste entre predicciones y mediciones es muy preciso.
Matlab. En la tabla 4 se encuentran las estadísticas de ȱ ȱ ȱ ȱ ȱ ȱ ęȱ śȱ ȱ ȱ ȱ
ajuste entre el modelo ya calibrado y los datos medidos ÇȱÇȱȱęȱǻǼȱ¢ȱȱȱęȱȱ
para cada una de las variables de estado y la variable de correlación (r). De acuerdo con las estadísticas RMSE y
salida. De acuerdo con la estadística sesgo (BIAS) el MAE la variable glucosa puede predecirse con mayor
Figura 5. Comparación entre predicciones (modelo calibrado mediante lsqnonlin) y mediciones de las
variables del modelo en el tiempo de fermentación
Figura 6. Comparación entre predicciones (modelo calibrado mediante evolución diferencial) y mediciones
de las variables del modelo en el tiempo de fermentación
precisión. En contraste, la maltosa, maltotriosa y etanol dientes a una temperatura de 16°C, se esperaba encontrar
son subestimadas por el modelo tomando en cuenta la ȱȱęȱȱȱȱȱ¢ȱ
estadística sesgo. Esto, sin embargo, es válido sólo para los valores medidos de las concentraciones de las varia-
ȱȱȱȱȱȱȱęȱśȱ¢ȱȱȱ ȱȱȱȱȱǻęȱŜǼǰȱȱȱȱ-
ȱȱȱÇȱȱęȱǻǼȱ¢ȱęȱȱ gió la necesidad de realizar una estimación de los
correlación obtenido para esta variable. El ajuste entre ¤ȱȱǯȱȱȱęȱśȱ¢ȱŜȱȱ-
predicciones y mediciones en el caso de maltosa y eta- ȱȱȱàȱȱȱȱȱȱ-
ȱȱȱȱȱȱęȱȱȱ ȱȱȱȱȱȱȱȱȱȱ
ȱ ȱ ȱ ȱ Çȱ Çȱ ȱ ę- un algoritmo de optimización local y un método de opti-
ȱ¢ȱęȱȱàǯ mización global (rutinas lsqnonlin y evolución diferen-
ȱȱęȱŜȱȱȱȱàȱȱȱ Ǽǰȱ¢ȱȱȱȱȱȱȱȱȱȱ
valores de las variables del modelo medidas y simula- con las mediciones de las variables, puede observarse
das con respecto al tiempo de fermentación, en donde ȱȱȱȱȱȱȱȱȱȱ
la simulación se realizó con los parámetros cinéticos variable durante el proceso de fermentación.
estimados mediante el algoritmo de evolución diferen- En general, de acuerdo con las estadísticas de ajuste
cial para una temperatura de 21°C. ȱȱǰȱȱȱȱŚȱ¢ȱŜȱȱȱȱ
En la tabla 5 se muestran los valores estimados de es un buen predictor de la variable de estado glucosa,
los parámetros y de la función minimizada FǻΌǼȱȱȱ ¢ȱȱȱȱȱȱàȱȱȱȱę-
ecuación 15 en cada una de las optimizaciones realiza- ciente de correlación (r) cercano a 1 y un sesgo cercano
das mediante evolución diferencial. ȱǰȱÇȱȱȱȱęȱǻǼǯ
En la tabla 6 se encuentran las estadísticas de ajuste De la misma forma, en las tablas 4 y 6, de acuerdo
entre el modelo ya calibrado con evolución diferencial ȱȱęȱȱàȱǻǼȱ¢ȱȱęȱǻǼǰȱ
y los datos medidos para cada una de las variables de el modelo es un buen predictor de la variable etanol,
estado y la variable de salida. ¢ȱȱȱȱȱȱȱȱŗǰȱȱ-
El rango de la temperatura de fermentación dentro ǰȱ·ȱȱȱȱȱȱȱ
ȱȱȱàȱȱȱȱ ȱ¢ȱ£ȱǻŗşŞŞǼȱ valores relativamente grandes para el resto de las esta-
tiene una variación importante con respecto al rango de Çȱǻǰȱȱ¢ȱǼǰȱȱȱȱȱȱȱ
temperatura de fermentación de cerveza artesanal; en deba a la diferencia entre las concentraciones medidas
consecuencia, cuando se realizaron las simulaciones pre- y estimadas alrededor de las 35 y 50 h en el proceso de
vias utilizando los valores de los parámetros correspon- àȱǻęȱśȱ¢ȱŜǼȱȱȱȱ
Tabla 5. Valores de los parámetros cinéticos del modelo calibrado mediante evolución diferencial para 20 optimizaciones
Núm. de
optimización V VM VN K KM KN ȱǻΌǼ
Promedio 0.1365 0.3885 0.2224 0.0902 85.9275 952.3705 7398.826
Varianza 0 0 0.0039 0 0 6.966×104 5.3×10–6
Tabla 6. Estadísticas de ajuste del modelo calibrado mediante evolución diferencial para una temperatura de 21°C
Variable de
estado BIAS MAE RMSE r
-1.13 1.13 0.99 2.62 0.99
Maltosa 8.48 13.74 0.84 27.13 0.94
Maltotriosa 1.09 3.95 0.29 5.17 0.81
Etanol 23.52 36.45 0.98 49.11 0.99
causadas por un error en la medición de la variable. Lo Conclusiones

anterior se puede mejorar con un mayor número de
mediciones de la variable etanol en el rango de tiempo ȱȱȱàȱȱàȱȱȱȱ
ǰȱ¢ȱȱȱÇȱȱȱȱȱ- estudiar el proceso de fermentación de cerveza artesa-
àȱ £àȱ ȱ £ǯȱ ȱ ȱ ȱ ȱ nal usando modelos matemáticos dinámicos. Se mostró
surgieron valores elevados en algunas estadísticas de ȱȱȱȱȱȱȱȱ
ȱȱȱǰȱȱȱȱȱȱȱ aplicando la metodología de modelado de sistemas. En
concentraciones de esta variable superan las 1 000 uni- ǰȱȱàȱȱȱȱ¤ȱȱ
ǰȱȱȱȱȱȱȱȱȱȱȱ simula la dinámica del proceso de fermentación de cer-
ęǯ veza industrial, mediante las variables de estado con-
Para el caso de la maltosa, el modelo calibrado por centración de glucosa, maltosa y maltotriosa, puede ser
ambos métodos tiene estadísticas de ajuste aceptables, útil para predecir el comportamiento de las variables
ȱǰȱȱȱęȱȱȱȱ¢ȱàȱ ȱĚ¢ȱȱȱȱȱàȱȱ£ȱ
en la predicción del modelo para esta variable, es nece- artesanal, realizando previamente la estimación de los
sario tomar un mayor número de mediciones entre las parámetros del modelo.
ŗŖȱ ¢ȱ Řśȱ ȱ ȱ ȱ ȱ àǰȱ ¢ȱ ȱ ȱ ȱ La metodología del análisis de sensibilidad local
rango la concentración de maltotriosa presenta una ma- àȱ ȱ ȱ ¤ȱ ȱ ¤ȱ Ě¢ȱ
yor variación. en el comportamiento del modelo, los cuales resultaron
ȱ ȱ ȱ ȱ Śȱ ¢ȱ Ŝǰȱ ȱ ȱ ȱ ȱ candidatos a ser estimados. Una vez calibrado el mode-
modelo calibrado por ambos métodos es un buen pre- lo matemático, puede utilizarse para el estudio de es-
ȱȱȱȱȱȱǰȱȱȱȱ ȱȱǰȱȱȱ¤ȱęȱȱȱ
ȱȱęȱȱàȱȱȱȱ¢ȱȱ- de fermentación de la cerveza artesanal. De la misma
ȱȱȱǯȱȱǰȱȱȱȱȱȱ- ǰȱȱȱȱàȱȱȱȱȱ-
ȱȱȱȱǰȱȱȱȱȱȱȱȱ riable de gran importancia en la producción de cerveza,
mediciones de maltotriosa son un poco irregulares entre el modelo puede emplearse para controlar la cantidad
las 20 y 40 h del tiempo de fermentación. Lo anterior ȱȱęȱȱȱȱȱ£ȱȱȱȱ
ȱ ȱ ǰȱ ȱ ȱ ǰȱ ȱ ȱ ȱ ȱ ȱ fermentación.
muestra se encontraba congelada, la fermentación siguió En esta investigación, se trabajó con una temperatu-
ȱȱȱȱ¤ȱÛǰȱȱǰȱȱȱ ȱǰȱȱȱȱȱȱȱȱȱȱȱ
ȱĚȱȱȱ¤ȱȱȱȱ- proceso de fermentación con esta condición, sin embar-
ción de maltotriosa. Este mismo fenómeno fue observado go, el trabajo realizado puede ser una referencia y base
ȱ ȱ¢ȱ£ȱǻŗşŞŞǼȱȱȱȱǯ para futuras investigaciones, en las cuales se tomen en
cuenta los efectos de la introducción de cambios en la ȱǯǯǰȱ£ȱǯǯȱȱȱȱȱȱ

temperatura ambiental. ȱǯȱBiotechnology and Bioengineering, volumen
Otro resultado obtenido, es la dinámica del compor- 31,1988: 224-234.
tamiento de cada una de las variables durante el tiempo
ǯȱǯǰȱ ȱǯ ǯǰȱ
ȱǯǯǯǰȱ¢ȱǯǯǯǰȱ-
de fermentación, la importancia de esto radica en el he- ¢ȱǯȱȱȱȱ¢Ȭȱȱȱȱȱȱ
ȱȱȱȱȱǰȱȱ¤ȱȱ- ȱ ȱ ǯȱ Trans IChemE, volumen 81,
ferencia más exacta para determinar los tiempos y el marzo 2003: 50-56.
número de mediciones en los intervalos donde suceden López M.H. Cerveza caseraǰȱȱǰȱȱěǰȱŘŖŖŝǰȱǯȱŜŜȬŝŗǯ
ȱęȱȱȱȱȱȱ- López-Cruz I.L., Ramírez-Arias A., Rojano-Aguilar A. Análisis de
ǯȱȱȱ¢ȱȱ¤ȱȱȱ sensibilidad de un modelo dinámico de crecimiento para le-
contengan un mayor número de variables de estado y chugas (Lactuca sativa L.) cultivadas en invernadero. Agrocien-
ȱ¤ȱȱȱȱȱȱǰȱ¢ȱȱȱ cia, volumen 38, 2004: 613-624.
igual manera, al conocer la dinámica del proceso de fer- ȱǯǰȱ¢ȱǯǰȱ£ȱǯ Interactive Evolutionary Computa-
àǰȱ ·ȱ ȱ ȱ ȱ ȱ ¤ȱ ę- tion in Process Engineering. Computers and Chemical Enginee-
ciente los tiempos de muestreo en los cuales se realizará ring, volumen 7, 2005: 1591-1597.
la medición de las variables. ȱ ǯǰȱ ȱ ǯȱ ȱ ęȱ ȱ ȱ
ȱ ȱ ęǰȱ ȱ ȱ ȱ ȱ ȱȱěȱǰȱȱȱǰȱǱȱ
recomendable determinar la concentración de biomasa Energy & Environment (5th, 2010, University of Cambridge,
mediante el peso seco de las levaduras, para obtener di- UK). Proceedings of the 5th IASME/WSEAS International
rectamente las unidades en masa por unidad de volumen. Conference on Energy & Eenvironment, United States,
WSEAS, 2010, 455 p.
ȱ ǯǰȱ ȱ ǯǰȱ ȱ ǯȱ ěȱ Ǳȱȱ ȱ-
Referencias
proach to Global Optimization, New York, Springer, 2005, pp. 37-131.
ȱǯǯǰȱȱǯǰȱ ȱ ǯǯȱA Quality Perspective, San £ȱǯǯǰ ȱǯȱȱȱǯȱJournal
Diego, Academic, 2008, pp. 61-83. Institute of Bewing, volumen 113 (número 3), 2007: 325-333.
£ȱǯǰȱ¡ȱǯǯǰȱȂ¢ȱǯǯǰȱȱ ǯǰȱȱǯǯǰȱ ȱǯǰȱȱ ǯǰȱĴȱǯǯȱSensitivity Analysis, Chichester, UK,
¢ȱǯ ǯȱȱȱȱ¢ǯȱJour- ȱ¢ȱǭȱȱǯǰȱŘŖŖŖǰȱȱǯȱŞŗȬŗŖŖ
nal of Food Engineering, volumen 83, febrero 2007: 167-172. ȱǯǯǰȱȱǯǰȱȱǯǰȱȱǯǰȱȱ ǯǰȱ¢ȱ
Doran P.M. Bioprocess Engineering Principles, San Diego, Academic ǯȱ ȱ ȱ ȱ ȱ Ǳȱ -
Press, 2002, pp. 405-407. nowledge-Based to Black-Box Models. Mathematics and Com-
ȱǯǯǰȱȱǯǰȱȱǯǰȱȱǯȱ ȱȱȱ puters in Simulation, volumen 56, 2001: 405-424.
ȱ ǰȱ Ǳȱ ȱ ȱ ǻŗŞǰȱ ŗşŞŗǰȱ - Vogt E. La fabricación de vinos, Zaragoza, Acribia, 1972, pp. 262-263.
gen), pp. 579-586. ȱǯǰȱȱǯǰȱȱ ǯȱȱ¢ȱ¢ȱȱȱȱ
ȱǯǯǰȱ£ȱǯǯȱȱȱȱȱȱǯȱ £ȱ ȱ ȱ ȱ ǯȱ Journal of Zhe-
Journal Institute of Bewing, volumen 100 (número 5), 1994: jiang University SCIENCE, volumen 5 (número 12), diciembre
321-329. 2004: 1597-1603.
Este artículo se cita:

Citación estilo Chicago
Garduño-García, Angel, Irineo Lorenzo López-Cruz, Salvador
Matínez-Romero, Agustín Ruíz-García. Simulación del proceso de
fermentación de cerveza artesanal. Ingeniería Investigación y Tec-
nología, XV, 02 (2014): 221-232.
Citación estilo ISO 690

Garduño-García A., López-Cruz I.L., Matínez-Romero S., Ruíz-
García A. Simulación del proceso de fermentación de cerveza ar-
tesanal. Ingeniería Investigación y Tecnología, volumen XV (número
2), abril-junio 2014: 221-232.
Semblanza de los autores

Angel Garduño-García:ȱ ȱ ȱ ȱ ȱ ȱ Çȱ ¤ȱ Çȱ ȱ ȱ
Universidad Autónoma Chapingo (UACh) en 2010. Realizó una estancia preprofe-
sional en España en el mismo año en la Universidad de Almería con el grupo de
investigación: Automática, Electrónica y Robótica, (AER, código TEP197 del Plan
Andaluz de Investigación). En el 2012 culminó sus estudios de maestría en ingenie-
ría agrícola y uso integral del agua con especialización en ingeniería de biosistemas
en la UACh.
Irineo Lorenzo López-Cruz: Culminó estudios de doctorado en ingeniería agrícola en la
Universidad de Wageningen, Países Bajos en 2002. Es profesor-investigador del
posgrado en ingeniería agrícola y uso integral del agua en la Universidad Autóno-
ma Chapingo. Pertenece al Sistema Nacional de Investigadores (nivel I). Ha publi-
cado 47 artículos en revistas arbitradas o indizadas, 40 ponencias en extenso y 45
presentaciones en congresos nacionales e internacionales y 4 capítulos en libros.
Ha impartido 49 cursos a nivel de posgrado. Ha dirigido una tesis de doctorado, 12
de maestría y 5 de licenciatura. Sus publicaciones tienen más de 50 citas.
Salvador Martínez-Romero: Egresado de la Escuela Nacional de Ciencias Biológicas del
ȱ·ȱȱȱȱÛȱȱŗşŜşǰȱȱȱÇȱȱÇȱ-
riólogo parasitólogo. En el 2002 obtuvo el título de maestro en ciencias de la educa-
ción en la Universidad del Valle de México campus San Miguel. Ha dirigido y
asesorado más de 50 tesis de licenciatura y una de maestría. Ha participado en va-
rios congresos en el área de alimentos y fermentaciones. Actualmente es profesor-
investigador del Departamento de Ingeniería Agroindustrial de la Universidad
Autónoma Chapingo, en donde ha impartido más de 60 cursos.
Agustín Ruíz-García:ȱ ȱȱȱÇȱȱÇȱÇȱȱȱȱ
Autónoma Chapingo (UACh) en 2009. Realizó estudios de maestría en ciencias en
control automático en el CINVESTAV del Instituto Politécnico Nacional en 2006.
Actualmente es estudiante de doctorado en ingeniería agrícola en la UACh. Sus
líneas de investigación se enfocan al estudio de la dinámica de variables ambienta-
ȱȱȱȱęȱȱ£àȱ¢ȱǯ

1 s2.0 S1405774314722127 Main

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

1 s2.0 S1405774314722127 Main

Cargado por

Copyright:

Formatos disponibles

Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-232

ISSN 1405-7743 FI-UNAM

Simulación del proceso de fermentación de cerveza artesanal

López-Cruz I.L. Ruíz-García A.

Información del artículo: recibido: diciembre de 2012, aceptado: abril de 2013

El objetivo de la presente investigación fue estudiar el comportamiento del

Descripción del experimento mental. La levadura se sembró directamente en cada

Se utilizó una tolerancia relativa de 1 × 10–8. Las estadís-

Análisis de sensibilidad del modelo

donde d es la densidad de la muestra destilada a 20°C w wx wf ( x , u, T) wx wf ( x , u, T)

mente seco) (g), M2 es la masa del picnómetro lleno de

valores tabulados por Vogt (1972), para poder transfor-

La implementación del modelo se llevó a cabo en el am-

Calibración del modelo timización anterior también se resolvió mediante el

Tiempo de ȱ Maltosa Maltotriosa Etanol Tabla 1. Mediciones de concentración

Promedio 0.1365 0.3885 0.2224 0.0902 85.9275 952.3705 7398.826

Varianza 0 0 0.0039 0 0 6.966×104 5.3×10–6

 -1.13 1.13 0.99 2.62 0.99

Maltosa 8.48 13.74 0.84 27.13 0.94

Maltotriosa 1.09 3.95 0.29 5.17 0.81

Etanol 23.52 36.45 0.98 49.11 0.99

causadas por un error en la medición de la variable. Lo Conclusiones

cuenta los efectos de la introducción de cambios en la ȱǯǯǰȱ£ȱǯǯȱȱȱȱȱȱ

Este artículo se cita:

Citación estilo ISO 690

Semblanza de los autores

También podría gustarte

Tiempo de ȱ Maltosa Maltotriosa Etanol Tabla 1. Mediciones de concentración

-1.13 1.13 0.99 2.62 0.99

cuenta los efectos de la introducción de cambios en la ȱǯǯǰȱ£ȱǯǯȱȱȱȱȱȱ