ICA-ACCA 2018, October 17-19, 2018, Greater Concepción, Chile
A predictive neural network for biomass and substrate
concentration estimation applied to the fermentation
of Bifidobacterium longum ATCC15707
Claudio Alarcón, Carolina Shene
Abstract—This work presents the results of a predictive neural
network model coupled with a mass balance equation applied to a
Bifidobacterium longdum culture. The model can estimate the
concentration of biomass and substrate for 17 hours from a single
measurement at the beginning of the process. The data for the
neural network training was obtained from experiments, in which
values of current biomass, substrate and time were acquired. A
Fourier filter was applied to the data to reduce high frequency
variations attributed to experimental error. Results shows that the
model obtained can estimate the growing behavior of the
microorganisms and substrate consumption. These estimations can
be used to reduce the amount of labor-intensive measurements of
biomass and substrate concentration required to automate the
process.
Keywords—Bifidobacterium, fermentation, genetic algorithm,
neural network.
I. INT RODUCCIÓN
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
de las personas. Esta bacteria es considerada beneficiosa para la
digestión y la salud humana por lo cual es utilizada como
probiótico. Tratamientos médicos que consideran la ingesta de B.
longum han sido utilizados para el tratamiento de la colitis
ulcerativa. Esta enfermedad produce la inflamación del intestino
grueso sin conocerse completamente el mecanismo. Los
resultados obtenidos en los pacientes tratados con B. longdum
muestran una disminución de los síntomas y malestares [1]. En
ratas, estudios sobre la ingesta de B. longum muestra efectos
inhibitorios sobre cáncer de hígado, colon y mamario inducido a
partir de la suplementación con 2-amino-3-methilimidazo[4,5-f],
el cual es un mutágeno alimenticio [2]. Uno de los principales
desafíos para la producción industrial de este microorganismo es
lograr aumentar la cantidad total de biomasa producida y su
concentración en los cultivos.
11 de Junio de 2018
Este trabajo fue financiado por CONICYT-PFCHA/Doctorado
Nacional/2018-21180806.
C.A Autor es candidato a doctor del programa Doctorado en Ciencias de
la Ingeniería mención Bioprocesos de la Universidad de la Frontera,
Avenida Francisco Salazar 01145. Temuco, Chile. (e-mail:
claudio.alarcon @ufrontera.cl)
C.S Autora es profesora titular del departamento de Ingeniería Química
de la Universidad de la Frontera, Avenida Francisco
Salazar 01145. Temuco, Chile. (e-mail: carolina.shene @ufrontera.cl)
978-1-5386-5586-3/18/$31.00
2018
c IEEE 1
Dentro de los modos de operación en el proceso de fermentación,
el cultivo por lote es aquel en el cual un recipiente con sustrato
en su interior es inoculado con una pequeña cantidad de los
microorganismos para su cultivo. Durante el proceso de cultivo
por lote no existe entrada o salida de masa, excepto por el agente
neutralizante en operaciones con control de pH. A nivel
industrial, la producción de B. longdum se realiza casi
exclusivamente mediante cultivos por lote, debido a que es un
método sencillo y resistente a contaminación [3]. En cultivos por
lote, en el instante inicial existe una baja concentración de
biomasa, consistente principalmente por el inóculo. En este
mismo instante la concentración de sustrato es máxima. A
medida que transcurre el tiempo, la concentración de biomasa
aumenta a medida que la concentración de sustrato disminuye.
Existe un momento en el cual la concentración de biomasa viva
es máxima. Esta situación ocurre cuando la concentración de
sustrato es baja. Una vez alcanzado este momento la
concentración de biomasa viva se mantiene o disminuye debido
a la falta de sustrato para el crecimiento y mantenimiento de la
biomasa viva. Determinar el momento exacto en el cual se
registra la máxima concentración de biomasa viva en el cultivo,
para detener la fermentación y extraer la biomasa, posee ventajas
en términos productivos para la producción industrial de B.
longdum. La solución para este problema sería medir
periódicamente la concentración de biomasa viva en el cultivo a
lo largo del proceso de fermentación con el fin de detectar el
momento a partir del cual la biomasa viva comienza a disminuir.
Sin embargo, el método analítico que permite medir la
concentración de biomasa viva es complejo y requiere de
alrededor de un día de espera para determinar el resultado [4].
Sucesivas extracciones de caldo desde el fermentador pueden
producir contaminación al interior de este. El empleo del método
analítico es inviable económicamente para la determinación del
momento de cosecha en cultivos industriales. Por otro lado, en el
mercado no existen sensores que permitan medir o estimar de
manera instantánea la concentración de biomasa y sustrato para
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
realizar estimaciones en línea de variables tales como
concentración de biomasa o sustrato a partir de mediciones
anteriores de estas mismas variables , utilizando medicions de
variables relacionadas junto a la utilización de algoritmos de
estimación. Con respecto a esto último, se ha demostrado que es
posible estimar la cantidad de antibiótico presente en cierto
momento en un cultivo de una bacteria [5], y de biomasa en
cultivos de Corynebacterium Glutamicum en la producción de
ácido glutámico [6]. En el siguiente trabajo se presenta un
modelo basado en redes neuronales y ecuaciones de balance de
 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.

b) Selección Elitista modelo de Fourier Dentro de la función de mutación se define a

𝑎𝑙 2 [𝑚𝑖𝑛, 𝑚𝑎𝑥] , como una función que entrega valores no
Durante cada generación en la iteración del algoritmo, una vez enteros entre los límites min y max, con hasta 4 dígitos
ordenados los valores, se traspasarán directamente un número decimales.
determinado de los mejores individuos de la generación presente,
a la generación siguiente, en un proceso conocido como selección 𝑐 (𝑔, 𝑖, 𝑗) = 𝑎𝑙 2 [𝑚𝑖𝑛, 𝑚𝑎𝑥] (8)
elitista. El número de individuos que se mantienen sin cambios a
partir de la selección elitista para el ajuste de modelo de Fourier B. Modelo para crecimiento de microorganismos
fue de 25.
c) Función de Cruzamiento modelo de Fourier El modelo utilizado para modelar el crecimiento de
La función de cruzamiento tiene por objeto obtener nuevas microorganismos se obtuvo del balance de masa.
soluciones a partir del intercambio de parámetros entre las 𝑑𝑋 (9)
= 𝑟𝑥 ∙ 𝑋 (𝑡)
soluciones obtenidas en la generación anterior. En esta 𝑑𝑡
expresión a y b representan los valores para un mismo gen de
dos soluciones consecutivas para una misma generación g tal El balance de masa en un cultivo por lote permite describir la
como se muestra en. concentración de sustrato como:
𝑎 = 𝑐(𝑔, 𝑖, 𝑗) (6)
𝑑𝑆 (10)
𝑏 = 𝑐(𝑔, 𝑖 + 1, 𝑗) (7) = 𝑟𝑠 ∙ 𝑋 (𝑡)
𝑑𝑡
A partir de estos datos el nuevo parámetro es obtenido al Al utilizar la aproximación por diferencias finitas podemos
seleccionar aleatoriamente una de las expresiones ubicadas en obtener expresiones que pueden ser utilizadas para el cálculo de
las filas de la ecuación. Sea la variable 𝑎𝑙 1 [1,6], una función que valores de concentracion de biomasa y sustrato en u n tiempo
permite generar valores aleatorios enteros entre 1 y 6. Se define futuro.
que el valor que se obtiene de la función de cruzamiento puede 𝑑𝑋 𝑋 (𝑡 + ∆𝑡) − 𝑋(𝑡)
≈ (11)
ser aquellos presentados en la Tabla I.
𝑑𝑡 ∆𝑡
TABLA I. VALORES DE GENES OBTENIDOS P OR FUNCIÓN DE
CRUZAMIENTO Reemplazando en
Valor aleatorio Función de cruzamiento
𝑎𝑙1 [1,6] = 1 𝑐( 𝑔 + 1, 𝑖, 𝑗) = 𝑎 − |𝑎 − 𝑏|𝑘
𝑋 (𝑡 + ∆𝑡) = ∆𝑡 ∙ 𝑟𝑥 ∙ 𝑋 (𝑡 ) + 𝑋 (𝑡) (12)
⟶
𝑎𝑙1 [1,6] = 2 ⟶ 𝑐( 𝑔 + 1, 𝑖, 𝑗) = 𝑎
Utilizando la aproximación por diferencias finitas para la
𝑎𝑙1 [1,6] = 3 ⟶ 𝑐( 𝑔 + 1, 𝑖, 𝑗) = 𝑎 + |𝑎 + 𝑏|𝑘
𝑎𝑙1 [1,6] = 4 ⟶ 𝑐( 𝑔 + 1, 𝑖, 𝑗) = 𝑏 − |𝑎 − 𝑏|𝑘 derivada del sustrato tenemos:
𝑎𝑙1 [1,6] = 5 ⟶ 𝑐( 𝑔 + 1, 𝑖, 𝑗) = 𝑏
𝑎𝑙1 [1,6] = 6 ⟶ 𝑐( 𝑔 + 1, 𝑖, 𝑗) = 𝑏 + |𝑎 − 𝑏|𝑘 𝑑𝑆 𝑆(𝑡 + ∆𝑡) − 𝑆(𝑡)
≈ (13)
𝑑𝑡 ∆𝑡
d) Función de Mutación modelo de Fourier
La función de mutación tiene por objetivo modificar Reemplazando en:
aleatoriamente algunos de los valores almacenados en los genes
de los individuos, con el fin de obtener nuevos valores cercanos 𝑆(𝑡 + ∆𝑡) = ∆𝑡 ∙ 𝑟𝑠 ∙ 𝑋 (𝑡) + 𝑆(𝑡) (14)
a máximos o mínimos globables, dependiendo de si se trata de un
problema de maximización o minimización. Para el ajuste de la Un parámetro de interés en ambas ecuaciones son las
función de Fourier la función de mutación fue aplicada sobre los velocidades de crecimiento y de consumo de sustrato 𝑟𝑥 y 𝑟𝑠 las
individuos obtenidos por cruzamiento, dejando sin modificación cuales dependen del microorganismo, el tipo de sustrato,
a los individuos obtenidos mediante selección elitista. La función temperatura, agitación, estado del cultivo (concentraciones de
de mutación por cada gen dentro de la matriz de soluciones sustrato y/o biomasa), etc. Debido a la alta cantidad de factores
selecciona aleatoriamente individuos y modifica aleatoriamente que modifican 𝑟𝑥 y 𝑟𝑠 es que de diseñó una red neuronal que

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

El entrenamiento de la red neuronal se realizó utilizando

datos filtrados de los experimentos de 15, 20 y 25 g/L de
concentración inicial de sustrato. Para ello se confeccionó una
tabla con pares de valores de concentración de biomasa y sustrato
en tiempo presente t y tiempo futuro t+dt para datos de
experimentos de 15, 20 y 25 g/L.

TABLA III. DATOS OBTENIDOS DE FUNCIÓN DE FOURIER PARA AJUSTE DE

P ARÁMETROS DE RED NEURONAL

Datos de entrada Datos de salida

X(t=0) S(t=0) X(t=1) S(t=1)
Fig. 1. Esquema de Red Neuronal empleada para estimar concentración de
biomasa y sustrato en tiempo t+∆𝑡. X(t=1) S(t=1) X(t=2) S(t=2)
… … … …
La red neuronal está compuesta por tres neuronas en la capa
X(t=16) S(t=16) X(t=17) S(t=17)
de entrada. Cada una de estas neuronas poseen como entradas dos
valores correspondientes al valor de concentración de biomasa y A continuación el conjunto total de datos fue dividido entre
sustrato en el tiempo presente. La red neuronal posee dos un conjunto de entrenamiento y otro conjunto de testeo. El
neuronas en la capa de salida las cuales permiten obtener los conjunto de entrenamiento seleccionó aleatoriamente el 75% de
valores 𝑟𝑥 y 𝑟𝑠 lo cuales son utilizadas por las ecuaciones 12 y 14 los datos previamente incluidos en la tabla de datos. Los datos d e
para estimar los valores futuros de concentraciones de biomasa y test correspondieron a los restantes 25% del total.
sustrato.
Las neuronas de entrada poseen como función de salida la
función sigmoidal: a) Función de Evaluación
1
𝑙𝑜𝑔𝑠𝑖𝑔(𝑝) = (15) La función de evaluación para el ajus te de los parámetros de
1 + 𝑒 −𝑝 la red neuronal posee dos componentes, el primero, 𝑠1
Esta función permite obtener valores en el intervalo (0,1) corresponde al ajuste de los parámetros al conjunto de
dependiendo del valor de la variable de entrada p ingresada. Las entrenamiento. La componente 𝑠2 viene dado por el ajuste de la
neuronas de salida poseen como función de salida una función curva obtenida a aquellos puntos correspondientes al conjunto de
lineal identidad de valor 1. Cada neurona en la red posee pesos testeo. La expresión que calcula los errores 𝑠1 y 𝑠2 corresponde
representados por la variable w, con las cuales multiplica a:
matricialmente los valores ingresados a esta. Luego, la suma de 16
todos estos valores se adiciona a la constante b. De esta manera
por cada neurona existen 3 parámetros, totalizando para la red 𝑠1 = ∑ [ 𝑟𝑒𝑑 _𝑒𝑑 (𝑡) − 𝑠𝑎𝑙𝑖𝑑𝑎 _𝑒𝑛𝑡𝑟𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 (𝑡 (19)
antes descrita la suma de 15 parámetros. Por lo tanto las 𝑡 =0
+ 1) ]2
funciones que permiten obtener los parámetros 𝑟𝑥 y 𝑟𝑠 a partir de
la red neuronal corresponden a: 16

𝑟𝑥 = [ 𝑙𝑜𝑔𝑠𝑖𝑔 ( 𝑚𝑖𝑛 𝑤1 + 𝑏1 ) 𝑙𝑜𝑔𝑠𝑖𝑔 ( 𝑚𝑖𝑛 𝑤2 𝑠2 = ∑ [ 𝑟𝑒𝑑 _𝑒𝑑(𝑡) − 𝑠𝑎𝑙𝑖𝑑𝑎_𝑡𝑒𝑠𝑡𝑒𝑜 (𝑡 + 1) ] 2 (20)

+ 𝑏2 ) 𝑙𝑜𝑔𝑠𝑖𝑔 (𝑚𝑖𝑛 𝑤3 + 𝑏3 )] 𝑤4 (16) 𝑡 =0

+ 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

descendientes. En cada iteración el valor de ajuste de

𝑓𝑏1 𝑓𝑏2 𝜑𝑎1 𝜑𝑎2 𝜑𝑏1 𝜑𝑏2
entrenamiento de cada mejor individuo disminuirá gradualmente
B15
o se mantendrá constante. Por otro lado, el comportamiento del 0.0077 0.0142 2.9336 1.1950 0.0001 0.0006
valor de evaluación con respecto al conjunto de testeo tiene un S15 0.0001 0.0441 0.0001 0.0001 0.0001 -3.7095
comportamiento distinto. Durante las primeras iteraciones del B20 0.0002 0.0093 -0.0076 3.6405 0.0001 -0.0001
algoritmo de ajuste, este valor de error de testeo disminuirá a una
S20
tasa similar que el error de entrenamiento, sin embargo llegado 0.0003 0.0578 0.0012 0.8841 0.0003 0.0001
cierto número de iteraciones el valor de error de testeo logrará su B25 0.0090 0.0205 0.0001 0.7786 0.0199 0.0001
valor mínimo para luego aumentar a pesar de que el error de S25 0.1394 0.0705 0.0001 0.0017 1.9770 0.0001
entrenamiento continúe su tendencia a disminuir. Este fenómeno
es conocido como sobreajuste en el cual la red ajusta sus
parámetros de manera excesiva, disminuyendo su potencial de
En la Figura 2 (a, c, e) se observan los resultados para
generalización, lo cual es un efecto no deseado.
predicción de la concentración de biomasa al utilizar dos
El algoritmo genético de ajuste para la red neuronal posee mediciones puntuales de las concentraciones de biomasa y
codificación decimal. El número total de individuos fue 100. sustrato al inicio del cultivo. Las gráficas muestran que el error
Inicialmente estos 100 conjuntos de parámetros poseen valores para la concentración de biomasa máximo se encuentra en torno
aleatorios. El valor máximo y mínimo para los valores de cada al valor de error de medición. Este error produciría un
conjunto de parámetros es ±10. decremento en la concentración final cercano al 5% lo cual es
un porcentaje menor al comparar las pérdidas por la realización
b) Selección Elitista de cultivos por lotes sin mediciones. Se observa que a pesar de
La selección elitista tiene el mismo comportamiento que el existir error de medición en las muestras el modelo converge a
empleado para el modelo de Fourier. En cada generación se una solución única. En la Figura 2 (b,d,f) se observan los
seleccionan de manera elitista el mejor 10% de los individuos resultados para la predicción de concentración de sustrato al
evaluados mediante s1. utilizar dos mediciones puntuales de concentración de biomasa
c) Función de Cruzamiento y sustrato al inicio del cultivo. Con respecto a la predicción de
concentración de sustrato los resultados muestran que no
La función de cruzamiento es la misma empleada para el caso obstante existen errores de medición los cuales llevan a que
del modelo de Fourier. existan dos curvas de predicción con distinto recorrido, el valor
d) Función de Mutación final posee un error de valor reducido para las tres
fermentaciones.
La función de mutación fue definida como una modificación
aleatoria de cualquier parámetro en cada individuo generado a
partir de la función de cruzamiento. Se definió que un 10% de los
individuos generados por cruzamiento modificarían al menos un
valor de genes.
IV. RESULT ADOS
A. Parametros de ajuste filtro de Fourier
En la Tabla IV se presentan los resultados del ajuste de los
parámetros a las curvas de Fourier para representar el
crecimiento de biomasa y el consumo de sustrato. En la Tabla
IV se observa que las componentes de frecuencia

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.

[4] L. Mears, S. M. Stocks, G. Sin, and K. V. Gernaey, “ A review of control

V. CONCLUSIONES
En este trabajo se desarrolló un modelo para el cultivo por
lote de B. longum basado en redes neuronales y ecuaciones de
balance de masa que permiten estimar los valores futuros de las
concentraciones de biomasa y sustrato a partir de un número
limitado de mediciones iniciales. El enfoque propuesto puede ser
utilizado para optimizar la duración del cultivo. Como trabajo
futuro se plantea la posibilidad de implementar un modelo de
regresión que permita utilizar otras variables que puedan medirse
en línea (pH, consumo de base para neutralización) con el fin de
desarrollar un sensor blando predictivo.
VI. REFERENCIAS
[1] K. A. Furrie , Macfarlane S, “ Synbiotic therapy ( Bifidobacterium longum
/Synergy 1) initiates resolution of inflammation in patients with active
ulcerative colitis: a randomised controlled pilot trial,” pp. 242–250, 2005.
[2] R. Kumar and S. Dhanda, “ Mechanistic Insight of Probiotics Derived
Anticancer Pharmaceuticals: A Road Forward for Cancer T herapeutics,”
Nutr. Cancer, vol. 69, no. 3, pp. 375–380, 2017.
[3] C. Lacroix and S. Yildirim, “ Fermentation technologies for theproduction
of probiotics with high viability and functionality,” Curr. Opin.
Biotechnol., vol. 18, no. 2, pp. 176–183, 2007.
strategies for manipulating the feed rate in fed-batch fermentation
processes,” J. Biotechnol., vol. 245, pp. 34–46, 2017.
[5] Y. Sun, N. Du, Q. Sun, X. Chen, and J. Yang, “ Research and application
of biological potency soft sensor modeling method in the industrial fed-
batch chlortetracycline fermentation process,” Cluster Comput., 2018.
[6] B. Gu and F. Pan, “ A soft sensor modelling of biomass concentration
during fermentation using accurate incremental online ν-support vector
regression learning algorithm,” Am. J. Biochem. Biotechnol., vol.11,no.
3, pp. 149–159, 2015.
[7] G. L. Miller, “ Use of Dinitrosalicylic Acid Reagent for Determination of
Reducing Sugar,” Anal. Chem., vol. 372, no. 31, pp. 426–428, 1959.
[8] C. Shene, M. Mardones, P. Zamora, and S. Bravo, “ Kinetics of
Bifidobacterium longum AT CC 15707 fermentations: Effect of the
dilution rate and carbon source,” Appl. Microbiol. Biotechnol.,vol.67,no.
5, pp. 623–630, 2005.