Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Resumen
Abstract
The goal of the current research was to study the behavior of the fermentation pro-
cess of home-made beer using a mathematical dynamic model. The model contains Keywords:
the rates of change of the concentration state variables of glucose, maltose and malto-
triose. An output variable is the ethanol concentration and an auxiliary variable is 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
Simulación del proceso de fermentación de cerveza artesanal
§ M M1 ·
Figura 1. Fermentador acondicionado para producción de d ¨ 3 ¸ dH 2 O (9)
cerveza artesanal © M 2 M1 ¹
224 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.
Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 225
Simulación del proceso de fermentación de cerveza artesanal
∑ ((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
226 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.
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
Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 227
Simulación del proceso de fermentación de cerveza artesanal
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
228 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.
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
Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 229
Simulación del proceso de fermentación de cerveza artesanal
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
Tabla 6. Estadísticas de ajuste del modelo calibrado mediante evolución diferencial para una temperatura de 21°C
Variable de
estado BIAS MAE RMSE r
230 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.
Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM 231
Simulación del proceso de fermentación de cerveza artesanal
232 Ingeniería Investigación y Tecnología, volumen XV (número 2), abril-junio 2014: 221-xx ISSN 1405-7743 FI-UNAM