Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Alarcon Shene 2018 A Predictive Neural Network For Biomass and Substrate
Alarcon Shene 2018 A Predictive Neural Network For Biomass and Substrate
Abstract—This work presents the results of a predictive neural Dentro de los modos de operación en el proceso de fermentación,
network model coupled with a mass balance equation applied to a el cultivo por lote es aquel en el cual un recipiente con sustrato
Bifidobacterium longdum culture. The model can estimate the en su interior es inoculado con una pequeña cantidad de los
concentration of biomass and substrate for 17 hours from a single microorganismos para su cultivo. Durante el proceso de cultivo
measurement at the beginning of the process. The data for the por lote no existe entrada o salida de masa, excepto por el agente
neural network training was obtained from experiments, in which neutralizante en operaciones con control de pH. A nivel
values of current biomass, substrate and time were acquired. A industrial, la producción de B. longdum se realiza casi
Fourier filter was applied to the data to reduce high frequency exclusivamente mediante cultivos por lote, debido a que es un
variations attributed to experimental error. Results shows that the
método sencillo y resistente a contaminación [3]. En cultivos por
model obtained can estimate the growing behavior of the
lote, en el instante inicial existe una baja concentración de
microorganisms and substrate consumption. These estimations can
biomasa, consistente principalmente por el inóculo. En este
be used to reduce the amount of labor-intensive measurements of
biomass and substrate concentration required to automate the
mismo instante la concentración de sustrato es máxima. A
process. medida que transcurre el tiempo, la concentración de biomasa
aumenta a medida que la concentración de sustrato disminuye.
Keywords—Bifidobacterium, fermentation, genetic algorithm, Existe un momento en el cual la concentración de biomasa viva
neural network. es máxima. Esta situación ocurre cuando la concentración de
sustrato es baja. Una vez alcanzado este momento la
I. INT RODUCCIÓN concentración de biomasa viva se mantiene o disminuye debido
a la falta de sustrato para el crecimiento y mantenimiento de la
B ifidobacterium longum es una bacteria presente normalmente
en el tracto digestivo de los bebes y adultos humanos, con
una concentración que disminuye a medida que avanza la edad
biomasa viva. Determinar el momento exacto en el cual se
registra la máxima concentración de biomasa viva en el cultivo,
de las personas. Esta bacteria es considerada beneficiosa para la para detener la fermentación y extraer la biomasa, posee ventajas
en términos productivos para la producción industrial de B.
digestión y la salud humana por lo cual es utilizada como
probiótico. Tratamientos médicos que consideran la ingesta de B. longdum. La solución para este problema sería medir
periódicamente la concentración de biomasa viva en el cultivo a
longum han sido utilizados para el tratamiento de la colitis
ulcerativa. Esta enfermedad produce la inflamación del intestino lo largo del proceso de fermentación con el fin de detectar el
momento a partir del cual la biomasa viva comienza a disminuir.
grueso sin conocerse completamente el mecanismo. Los
Sin embargo, el método analítico que permite medir la
resultados obtenidos en los pacientes tratados con B. longdum
concentración de biomasa viva es complejo y requiere de
muestran una disminución de los síntomas y malestares [1]. En
alrededor de un día de espera para determinar el resultado [4].
ratas, estudios sobre la ingesta de B. longum muestra efectos
inhibitorios sobre cáncer de hígado, colon y mamario inducido a Sucesivas extracciones de caldo desde el fermentador pueden
producir contaminación al interior de este. El empleo del método
partir de la suplementación con 2-amino-3-methilimidazo[4,5-f],
el cual es un mutágeno alimenticio [2]. Uno de los principales analítico es inviable económicamente para la determinación del
momento de cosecha en cultivos industriales. Por otro lado, en el
desafíos para la producción industrial de este microorganismo es
lograr aumentar la cantidad total de biomasa producida y su mercado no existen sensores que permitan medir o estimar de
manera instantánea la concentración de biomasa y sustrato para
concentración en los cultivos.
este tipo de cultivos. Debido a esto, en el caso general el tiempo
de cosecha es fijo y no toma en consideración las condiciones del
cultivo. No obstante, diversos trabajos muestran que es posible
11 de Junio de 2018
realizar estimaciones en línea de variables tales como
Este trabajo fue financiado por CONICYT-PFCHA/Doctorado
concentración de biomasa o sustrato a partir de mediciones
Nacional/2018-21180806. anteriores de estas mismas variables , utilizando medicions de
C.A Autor es candidato a doctor del programa Doctorado en Ciencias de variables relacionadas junto a la utilización de algoritmos de
la Ingeniería mención Bioprocesos de la Universidad de la Frontera, estimación. Con respecto a esto último, se ha demostrado que es
Avenida Francisco Salazar 01145. Temuco, Chile. (e-mail: posible estimar la cantidad de antibiótico presente en cierto
claudio.alarcon @ufrontera.cl) momento en un cultivo de una bacteria [5], y de biomasa en
C.S Autora es profesora titular del departamento de Ingeniería Química cultivos de Corynebacterium Glutamicum en la producción de
de la Universidad de la Frontera, Avenida Francisco ácido glutámico [6]. En el siguiente trabajo se presenta un
Salazar 01145. Temuco, Chile. (e-mail: carolina.shene @ufrontera.cl) modelo basado en redes neuronales y ecuaciones de balance de
978-1-5386-5586-3/18/$31.00
2018
c IEEE 1
ICA-ACCA 2018, October 17-19, 2018, Greater Concepción, Chile
masa para la predicción de niveles de concentración de biomasa facilita la limitación de frecuencias a un valor máximo en la señal
y consumo de sustrato en el cultivo por lote de B. longum. Este reconstruida.
trabajo corresponde a una primera etapa en el desarrollo de un
La expresión utilizada para reconstruir las señales de
sensor basado en software que pueda ser utilizado para la
automatización en el cultivo por lote alimentado para este mismo concentración de biomasa y sustrato correspondió a:
microorganismo. 𝐹𝑎𝑗𝑢𝑠𝑡𝑒 (𝑡) = 𝑎0 + 𝑎1 cos(2𝜋𝑓𝑎1 𝑡 + 𝜑𝑎1 )
+ 𝑎2 cos(2𝜋𝑓𝑎2 𝑡 + 𝜑𝑎2 ) (1)
II. M AT ERIALES Y M ÉT ODOS
+ 𝑏1 cos(2𝜋 𝑓𝑏1 𝑡 + 𝜑𝑏1 )
A. Fermentaciones y Análisis + 𝑏2 cos(2𝜋 𝑓𝑏2 𝑡 + 𝜑𝑏2 )
La cepa utilizada en este trabajo fue B. longum ATCC 15707 1) Algoritmo evolutivo aplicado al ajuste de parametros
(American Type Culture Collection, Rockville, Md, USA). El modelo de Fourier
microorganismo fue inoculado en clostridial Agar (Oxoid,
Hampshire, UK) y mantenido a 4º C. Colonias tomadas desde las
Para la función de ajuste basada en sumatorias de Fourier se
placas de agar fueron suspendidas en 5 mL de medio MRS e utilizó un algoritmo evolutivo adaptado al problema. La cantidad
incubadas a 37º C por 24 h bajo condiciones anaeróbicas (95% de parámetros a ajustar son 13 correspondientes a
H2 and 5% CO2 , GasPak Plus, BBL, Sparks, Md, USA). Este 𝑎0, 𝑎1,𝑎2,𝑏1,𝑏2,𝑓𝑎1 ,𝑓𝑎2 ,𝑓𝑏1 ,𝑓𝑏2 ,𝜑𝑎1 , 𝜑𝑎2 ,𝜑𝑏1 , 𝜑𝑏2 . La cantidad
volumen fue transferido a 200 mL de medio. El medio de de individuos que se evaluaran durante cada iteración del
fermentación fue incubado por 12 h a 37º C bajo condiciones
algoritmo fue definido en 100. De esta manera, el cromosoma c
anaeróbicas y utilizado como inóculo para el bioreactor. Tres utilizado para resolver el problema corresponde a:
fermentaciones en modo de operación por lote, con 15, 20 and 25
g/L de concentración de azucares iniciales fueron llevadas a cabo 𝑐 = [𝑎0, 𝑎1,𝑎2,𝑏1,𝑏2,𝑓𝑎1 ,𝑓𝑎2 ,𝑓𝑏1 ,𝑓𝑏2 ,𝜑𝑎1 ,𝜑𝑏1 ] (2)
en un fermentador de laboratorio (Biostat M, B. Braun,
Melsungen, Germany). La temperatura fue mantenida a 37º C, la La cantidad de generaciones fue definida con un valor de
1000. La cantidad de individuos por generación fue 650. La
agitación fue definida en 50 rpm. N2 fue burbujeado a través del
cultivo con el fin de mantener las condiciones anaeróbicas . El población P inicial de individuos queda definida como:
volumen de cada cultivo en el fermentador fue de 1 L. El pH en 𝑐(1,1) 𝑐(1,2) … 𝑐(1,13)
el cultivo fue mantenido en 6.5 a través de la adición continua de 𝑃𝑔 =0 (𝑖, 𝑗) = [ … ] (3)
NaOH 2 M. La concentración de biomasa fue estimada en 𝑐(100,1) 𝑐(100 ,2) … 𝑐(100,13)
muestras del cultivo mediante la medición de la absorbancia a
600 nm. Los valores de absorbancia fueron correlacionados con a) Función de evaluación modelo de Fourier
el valor de peso seco de biomasa por unidad de volumen. El total La función de evaluación para las funciones de Fourier para cada
de azúcares reductores fue determinado mediante el método curva de crecimiento de biomasa utiliza la medición de error
descrito por Miller [7]. Las fermentaciones fueron llevadas a punto a punto, y una componente que incorpora la medición del
cabo durante 17 horas. Para cada uno de estos experimentos se error para la derivada de las curvas. Para los tiempos
realizó la medición de concentración de biomasa y sustrato cada
t=0,1,2,15,16,17 se utilizó un valor k=4 para (4). Para los valores
1 hora. Detalles del medio de cultivo, método de preparación de
restantes de t, k fue definido con valor 2. De esta manera se
inóculos y análisis para concentración de biomasa y sustrato se
entregó una mayor ponderación a aquellas funciones de Fourier
encuentran reportados [8].
que obtuvieron un menor error en los valores iniciales y finales
del cultivo. El coeficiente de evaluación E fue definido como:
17
III. TEORÍA Y CÁLCULOS 𝐸 = ∑ 𝑘1 (𝐹𝑥 (𝑡) − 𝑋(𝑡)) 2
A. Filtrado de datos experimentales mediante modelo de 𝑡 =0
16 (4)
Fourier
+ ∑ 𝑘2 (𝐹𝑥 (𝑡 + 1) − 𝐹𝑥 (𝑡)
Para el desarrollo del modelo se contó con datos de
𝑡 =0
concentración de biomasa y sustrato, medidos cada 1 hora, de tres
experimentos de cultivo con concentraciones iniciales de sustrato − 𝑋 (𝑡 + 1) + 𝑋(𝑡) )2
de 15, 20 y 25 g/L. Los datos experimentales obtenidos poseen
componentes de error experimental aleatorio, los cuales son La función para la concentración de sustrato es igual a la
introducidos durante el proceso de muestreo o medición. En este expresión anterior, con la excepción que el símbolo X(t) es
trabajo se consideró que los niveles de concentración de sustrato reemplazado por S(t).
17
y biomasa, por la naturaleza biológica del cultivo no registran
variaciones de alta frecuencia en un periodo de 1[h]. Por lo tanto 𝐸 = ∑ 𝑘(𝐹𝑠 (𝑡) − 𝑆(𝑡)) 2
se consideró que los niveles de estas variables deben poseer 𝑡 =0
variaciones de baja frecuencia, siendo las variaciones de alta 16 (5)
frecuencia encontradas, atribuibles a error de medición. + ∑ 𝑘2 (𝐹𝑠 (𝑡 + 1) − 𝐹𝑠 (𝑡)
Considerando lo anterior se utilizó la técnica de reconstrucción 𝑡 =0
de señal a partir de una sumatoria de Fourier como técnica de − 𝑆(𝑡 + 1) + 𝑆(𝑡) )2
filtrado para los datos experimentales, debido a que este método
2
ICA-ACCA 2018, October 17-19, 2018, Greater Concepción, Chile
A cada individuo se le añadió un valor de evaluación que indica su valor entregando valores dentro de los valores máximos
el grado de ajuste del modelo a los datos experimentales, definidos para cada gen. El número de veces que se realiza esta
permitiendo realizar una comparación entre los conjuntos de tarea fue definido como igual a 10. Los valores máximos para
parámetros. Una vez evaluados todos los individuos estos son cada gen fueron definidos tal como se muestra en la Tabla II.
ordenados utilizando el valor de evaluación de cada uno de ellos,
TABLA II. VALORES MÁXIMOS Y MÍNIMOS DE PARAMETROS FUNCIÓN DE
de menor a mayor. Si el valor de la generación actual es menor FOURIER
que el valor final establecido en 1000 generaciones, una vez
ordenados los individuos , fue necesario generar el conjunto de Coeficientes Límites
𝑎0, 𝑎1,𝑎2,𝑏1,𝑏2 ⟶ 𝑚𝑎𝑥 = 30, 𝑚𝑖𝑛 = 0.0001
soluciones correspondiente a la generación siguiente. Para ello 𝑓𝑎1 ,𝑓𝑎2 ,𝑓𝑏1 ,𝑓𝑏2 ⟶ 𝑚𝑎𝑥 = 0.18, 𝑚𝑖𝑛 = 0.0001
se emplean los operadores genéticos elitismo, cruzamiento y 𝜑𝑎1 ,𝜑𝑏1 ⟶ 𝑚𝑎𝑥 = 10, 𝑚𝑖𝑛 = 0.0001
mutación.
3
ICA-ACCA 2018, October 17-19, 2018, Greater Concepción, Chile
permite utilizar datos experimentales para estimar estos 𝑟𝑠 = [ 𝑙𝑜𝑔𝑠𝑖𝑔 ( 𝑚𝑖𝑛 𝑤1 + 𝑏1 ) 𝑙𝑜𝑔𝑠𝑖𝑔 (𝑚𝑖𝑛 𝑤2
parámetros y predecir estados futuros en un cultivo por lotes de + 𝑏2 ) 𝑙𝑜𝑔𝑠𝑖𝑔 (𝑚𝑖𝑛 𝑤3 + 𝑏3 )] 𝑤5 (17)
B. Longdum. + 𝑏5
C. Red Neuronal predictiva
Estos valores serían calculados con:
Una vez obtenidos los valores experimentales con el filtro de (18)
Fourier, se diseñó una red Neuronal Predictiva para la obtención 𝑚𝑖𝑛 = [𝑋 (𝑡) 𝑆(𝑡)]
de valores de concentración de biomasa y sustrato posteriores en Para que la red neuronal logre estimar los valores de 𝑟𝑥 y 𝑟𝑠 ,
una hora a los datos ingresados a la red, tal como se muestra en los parámetros w y b de cada neurona se ajustaron en un proceso
la Figura 1. conocido como entrenamiento. El método de entrenamiento
utilizado para el modelo antes descrito fue un algoritmo
evolutivo.
1) Algoritmo evolutivo aplicado al ajuste de parametros red
neuronal
+ 𝑏4
Dentro de la ejecución del algoritmo, cada individuo de la
generación presente es evaluado, almacenándose su evaluación
4
ICA-ACCA 2018, October 17-19, 2018, Greater Concepción, Chile
para la comparación posterior con los demás individuos . Una vez 𝑓𝑎1 , 𝑓𝑎2 , 𝑓𝑏1 , 𝑓𝑏2 para concentración de biomasa y sustrato
obtenidas las evaluaciones 𝑠1 de todos los individuos, estos se poseen valores inferiores a 0.15 [Hz], lo cual muestra que fue
comparan y se ordenan en orden descendente. Llegados a este posible reconstruir las curvas de biomasa y sustrato con
punto se evalúa el valor de evaluación 𝑠2 . Si el valor de frecuencias menores a este valor.
evaluación 𝑠2 del individuo con el mejor valor de evaluación 𝑠1
se ha incrementado por décima oportunidad, el algoritmo se TABLA IV. P ARÁMETROS OBTENIDOS P ARA AJUSTE DE CURVA DE
detiene y se almacenan los parámetros del mejor individuo FOURIER
obtenido según 𝑠1, en la generación con el menor valor de 𝑠2 . 𝑎0 𝑎1 𝑎2 𝑏1 𝑏2 𝑓𝑎1 𝑓𝑎2
Estos parámetros corresponden a los parámetros buscados para B15
la red neuronal. Por otro lado, si los valores de evaluación el 0.0001 0.0704 0.4168 3.0378 0.0043 0.1275 0.0605
individuo con mejor valor 𝑠1 posee un valor de evaluación 𝑠2 de S15 0.0001 -2.1358 15.9148 0.0001 2.3070 0.0777 0.0153
evaluación menor que el obtenido en la generación anterior, se B20 0.0826 -0.3589 -0.4263 0.0001 3.5779 0.0364 0.0800
prosigue a la creación de una nueva generación utilizando los
S20
operadores genéticos. 10.4992
8.7874 1.2011 0.0001 1.9233 0.0294 0.1238
B25 0.0246 -0.4316 0.6406 5.2780 0.5356 0.0002 0.0800
En cada nueva iteración los valores con el valor más bajo de
ajuste de entrenamiento serán los que generarán nuevos S25 0.0001 12.5203 11.7447 1.0715 2.0452 12.5203 0.0001
5
ICA-ACCA 2018, October 17-19, 2018, Greater Concepción, Chile
Fig. 2 Predicción de concentración de biomasa y sustrato utilizando valores iniciales experimentales en t=0, t=1.