Estudio Cinetico de La Digestion Anaerbica

INSTITUTO POLITÉCNICO NACIONAL
UNIDAD PROFESIONAL INTERDISCIPLINARIA DE

BIOTECNOLOGÍA
“La técnica al servicio MAESTRÍA EN CIENCIAS EN BIOPROCESOS

de la Patria”
ESTUDIO CINÉTICO DE LA DIGESTIÓN ANAERÓBICA

TERMOFÍLICA DE POLLINAZA A ESCALA PILOTO.
TESIS
PRESENTADA PARA OBTENER EL GRADO DE

MAESTRO EN CIENCIAS EN BIOPROCESOS
POR
VÍCTOR RIVERA SALVADOR
INGENIERO AGROINDUSTRIAL
DIRIGIDA POR:
DIRECTOR: DR. JUAN S. ARANDA BARRADAS
CO-DIRECTOR: DR. TEODORO ESPINOSA SOLARES
ASESOR EXTERNO: DR. JOSÉ ULISES TOLEDO
La Laguna Ticomán, D.F., diciembre de 2010.

Estudio cinético de la digestión anaeróbica termofílica de pollinaza a escala piloto 2010
i
ii
Declaración de originalidad
“Yo, Víctor Rivera Salvador, declaro que los resultados reportados en esta tesis, son
producto de mi trabajo con el apoyo permitido de terceros en cuanto a su concepción y
análisis. Asimismo declaro que hasta donde yo sé no contiene material previamente
publicado o escrito por otra persona excepto donde se reconoce como tal a través de citas
y con propósitos exclusivos de ilustración o comparación. En este sentido, afirmo que
cualquier información presentada sin citar a un tercero es de mi propia autoría. Declaro,
finalmente, que la redacción de esta tesis es producto de mi propio trabajo con la
dirección y apoyo de mi director de tesis y mi comité tutorial en cuanto a la concepción del
proyecto, al estilo de la presentación o a la expresión escrita.”
iii
AGRADECIMIENTOS
A la Unidad Profesional Interdisciplinaria de Biotecnología del IPN por la oportunidad de

continuar mi formación académica.
Al Gus R. Douglass, Land-Grant Institute, West Virginia State University por el apoyo
brindado durante mi estancia en EUA.
Al CONACYT por el apoyo financiero otorgado para estudiar la maestría.
Al Dr. Juan S. Aranda-Barradas por haber dirigido este proyecto de titulación y apoyarme
en todo momento durante mi estancia en la maestría.
Al Dr. Teodoro Espinosa-Solares por haberme dado esta oportunidad de continuar mi

formación, realizar una estancia en el extranjero y co-dirigir el presente trabajo.
Al Dr. Ulises Toledo por todo el apoyo brindado antes, durante y después de mi estancia
en West Virginia, EUA.
Al Dr. Irineo López Cruz por su apoyo incondicional en los métodos computacionales y su
asesoría en la programación e implementación del modelo.
A todos los miembros del proyecto Bioplex, especialmente a John, Max, Mike, Chris,
Nathan, Jeremmy, Shawn y todos aquellos que me apoyaron en mi trabajo en la planta
piloto.
A los miembros del Department of Biology, WVSU, al Dr. David H. Huber, a Deepak, Amy,
Rita, Tandie y todas las personas que me asesoraron y apoyaron en los análisis
bioquímicos y microbiológicos.
Al personal del Gus R. Douglass Institute, especialmente a Shannon, Lisa y todas las
personas que me brindaron las facilidades en WVSU.
A los miembros del comité tutorial y jurado Dr. Edgar Salgado Manjarrez y Dr. Fabián
Robles Martínez por sus acertadas correcciones y observaciones al trabajo.
A todas las personas que me brindaron su apoyo donde quiera que yo estuviera y en las
circunstancias en las que me encontrara.
iv
DEDICATORIA
Dedico este trabajo a mi familia, mis padres, Víctor y Mary, y mis

hermanos, Ángel y David, que siempre me brindan su apoyo y son mi razón
de seguir adelante.
A todos mis amigos y familiares, sin distinción de edad ni nacionalidad,

aquellos que me apoyaron y alentaron en todo momento…
Muchas gracias.!!!!
"Success is a journey, not a destination"

"El éxito es un viaje, no un destino"
(W. Churchill)
v
RESUMEN
ESTUDIO CINÉTICO DE LA DIGESTIÓN ANAERÓBICA TERMOFÍLICA DE

POLLINAZA A ESCALA PILOTO
Víctor Rivera-Salvador1*, Juan S. Aranda-Barradas1**, Teodoro Espinosa-

Solares2,3**, Irineo López-Cruz4, Fabián Robles-Martínez1, José Ulises Toledo3.
El objetivo de este trabajo fue modificar el ADM1 para la digestión anaeróbica

termofílica de un digestor piloto de 40 m 3 utilizado para el tratamiento de pollinaza.
El ADM1 se modificó considerando lo reportado en la literatura respecto al proceso
de oxidación del acetato y la degradación del lactato. Además se suprimió la
metanogénesis acetoclástica del modelo para representar apropiadamente la
degradación sintrófica del acetato adecuándose a lo reportado previamente por
Sherma (2010) y Smith (2008). Con la finalidad de calibrar el modelo se manejó
una estrategia en dos fases, en la primera obtuvieron datos en dos digestores de
escala laboratorio de 10 L y en la segunda etapa se usaron los datos generados
en un digestor de escala piloto de 40 m 3. En los digestores de laboratorio un
digestor se alimentó únicamente con pollinaza y el otro con un co-sustrato
pollinaza-vinaza. Los valores experimentales de ácidos grasos volátiles (AGV´s) y
composición del biogás sirvieron para la estimación de parámetros. Se usaron dos
técnicas de estimación de parámetros: (1) ajuste manual combinado con mínimos
cuadrados no lineales (MCNL) y (2) algoritmos de evolución diferencial (AED). Los
datos generados en el digestor piloto de 40 m3 fueron usados para la validación
del modelo, el digestor se alimentó inicialmente con pollinaza y después con un
co-sustrato pollinaza-estiércol de vaca. Tanto ajuste manual/MCNL como AED son
procedimientos adecuados de estimación de parámetros, pero AED resultó ser
más eficiente en cuestión de tiempo de obtención de parámetros y en el caso de
sistemas semi-continuos la suma de cuadrados del error resulto menor en AED
que en el otro procedimiento. A nivel laboratorio, el modelo presenta un ajuste
adecuado a los AGV´s y a la composición del biogás, pero subestima pH y DQO.
A nivel piloto también se ajustó adecuadamente a los valores de pH, composición
de biogás y propionato pero sobreestima DQO, amoníaco y volumen de biogás
producido. Los resultados obtenidos sugieren que el modelo puede usarse para
calcular indicadores de estabilidad del proceso de digestión anaeróbica, los
indicadores muestran que el digestor laboratorio viene recuperándose de una falla
del sistema y el digestor piloto presenta diversos puntos de riesgo de estabilidad.
Palabras clave: digestión anaeróbica, ADM1, co-digestión, oxidación del

acetato, degradación de lactato, modelos matemáticos.
1
Unidad Profesional Interdisciplinaria de Biotecnología, Instituto Politécnico Nacional
2
Departamento de Ingeniería Agroindustrial, Universidad Autónoma Chapingo
3
Gus R. Douglass, Land-Grant Institute, West Virginia State University
4
Posgrado en Ingeniería Agrícola y Uso Integral del Agua, Universidad Autónoma Chapingo
* Tesista, ** Directores del proyecto
vi
ABSTRACT
KINETIC STUDY OF THERMOPHILIC ANAEROBIC DIGESTION OF CHICKEN

LITTER IN A PILOT PLANT
Víctor Rivera-Salvador1, Juan S. Aranda-Barradas1, Teodoro Espinosa-Solares2,3,

Irineo López-Cruz4, Fabián Robles-Martínez1, J. Ulises Toledo3.
The primary aim of this work was to modify ADM1 to characterize the thermophilic
anaerobic digestion in a 40 m3 pilot plant digester use to treat chicken litter. ADM1
was modified to include literature reports about acetate oxidation and lactate
degradation involving a Monod-type kinetic with pH, limited nitrogen, and hydrogen
inhibition. Acetoclastic methanogenesis was deleted from the model to represent
syntrophic acetate degradation to adapt to the previous reports from Sherma
(2010) and Smith (2008). With the propose of model calibration, data from two 10 L
lab-scale digesters were used for model fitting and parameter estimation, one
digester was fed with chicken litter, whereas the second one was fed with a co-
substrate comprised of chicken litter and thin stillage. Experimental values from
volatile fatty acids (VFA) and biogas composition were used for parameter
estimation. Two procedures for parameter estimation were applied: (1) manual
calibration with non-lineal least square (NLLS) and (2) differential evolution
algorithms (DEA). Data from the 40 m3 pilot plant were used for model validation;
the digester was initially fed with chicken litter and after 69 days, it was fed with a
co-substrate of chicken litter and cow manure. Manual fitting/NLLS and DEA are
suitable procedures for parameter estimation but DEA was more efficient than
manual fitting/NLLS with respect to calculation time and in semi-continuous
systems, error square sum for AED proved to be more efficient than manual
fitting/NLLS in terms of computing time. At lab-scale, the model showed a good fit
in relation to VFA and biogas composition, but it appears to underestimate pH and
COD. At pilot plant scale, the model showed a good fit in relation to pH, biogas
composition and propionate, but it seems to overestimate COD, ammonia and
biogas production. This model was used to calculate stability indicators
characterizing the anaerobic digestion process. The stability indicators obtained
suggests recovery failure (an overload feed) using the lab-scale digester; and
several stability risk points measured in the pilot plant digester.
Key words: Anaerobic digestion, ADM1, co-digestion, acetate oxidation,

lactate degradation, mathematical models.
1
Unidad Profesional Interdisciplinaria de Biotecnología, Instituto Politécnico Nacional
2
Departamento de Ingeniería Agroindustrial, Universidad Autónoma Chapingo
3
Gus R. Douglass, Land-Grant Institute, West Virginia State University
4
Posgrado en Ingeniería Agrícola y Uso Integral del Agua, Universidad Autónoma Chapingo
vii
ÍNDICE
1 INTRODUCCIÓN .................................................................................................... 1
2 REVISIÓN DE LITERATURA .................................................................................. 2
2.1 IMPORTANCIA DE LA DIGESTIÓN ANAERÓBICA ........................................... 2
2.2 PROCESO DE DIGESTIÓN ANAERÓBICA PARA LA PRODUCCIÓN DE
BIOGÁS ............................................................................................................... 3
2.2.1 Hidrólisis y desintegración ............................................................................ 4
2.2.2 Acidogénesis ................................................................................................ 4
2.2.3 Acetogénesis ................................................................................................ 5
2.2.4 Oxidación del acetato ................................................................................... 5
2.2.5 Metanogénesis ............................................................................................. 5
2.2.6 Inhibición del proceso ................................................................................... 6
2.2.7 Influencia del pH ........................................................................................... 9
2.2.8 Procesos físico-químicos ............................................................................ 10
2.3 TRATAMIENTO DE CO-SUSTRATOS (CO-DIGESTIÓN) ................................ 10
2.3.1 Co-digestión con vinaza.............................................................................. 11
2.3.2 Co-digestión con estiércol de vaca ............................................................. 12
2.4 MODELOS MATEMÁTICOS PARA DESCRIBIR EL PROCESO DE DIGESTIÓN
ANAERÓBICA Y SU IMPORTANCIA ................................................................ 12
2.4.1 Modelos de crecimiento y biodegradación .................................................. 13
2.4.2 Modelos de inhibición ................................................................................. 14
2.4.3 Sensibilidad y estimación de parámetros.................................................... 16
2.5 CONSIDERACIONES FINALES ........................................................................ 17
3 OBJETIVOS .......................................................................................................... 18
3.1 OBJETIVO GENERAL ....................................................................................... 18
3.2 OBJETIVOS ESPECÍFICOS.............................................................................. 18
4 DESARROLLO EXPERIMENTAL ......................................................................... 19
4.1 BIORREACTOR ANAERÓBICO TERMOFÍLICO (ESCALA LABORATORIO) .. 19
4.2 BIORREACTOR ANAERÓBICO TERMOFÍLICO (ESCALA PILOTO) ............... 20
4.3 MÉTODOS ANALÍTICOS .................................................................................. 21
4.3.1 Toma de muestras y procedimiento químicos ............................................ 21
4.3.2 Caracterización del sustrato ....................................................................... 21
4.3.3 Producción total y composición de biogás. ................................................. 22
4.4 ALIMENTACIÓN CON POLLINAZA Y EN CO-DIGESTIÓN POLLINAZA-VINAZA ...... 22
4.5 ADECUACIÓN DEL MODELO .......................................................................... 23
4.5.1 Implementación del modelo ........................................................................ 25
4.5.2 Modificación al modelo para compuestos con alto contenido de lactato .... 32
4.5.3 Calibración del modelo ............................................................................... 34
4.5.4 Validación del Modelo ................................................................................. 37
4.6 CÁLCULO DE INDICADORES DE ESTABILIDAD ............................................ 37
5 RESULTADOS Y DISCUSIÓN .............................................................................. 39
5.1 BALANCES DE CARBONO, NITRÓGENO Y D.Q.O. ....................................... 39
5.2 SIMULACIÓN DEL PROCESO DE OXIDACIÓN DEL ACETATO ..................... 43
5.2.1 Resultados de la simulación ....................................................................... 47
viii
5.2.2 Calibración del modelo. Comparación de los métodos de estimación de

parámetros ..................................................................................................... 48
5.2.3 Simulación del proceso en semi-continuo................................................... 51
5.3 DESEMPEÑO DEL PROCESO DE CO-DIGESTIÓN POLLINAZA-VINAZA ..... 54
5.3.1 Simulación de la degradación del lactato.................................................... 56
5.3.2 Efecto de los componentes del sustrato sobre las constantes cinéticas .... 60
5.4 SIMULACIÓN DEL PROCESO DE DIGESTIÓN ANAERÓBICA A NIVEL
PILOTO.............................................................................................................. 66
5.4.1 Calibración del modelo ............................................................................... 69
5.4.2 Validación del modelo ................................................................................. 71
5.5 DETERMINACIÓN DE INDICADORES DE LA ESTABILIDAD DEL DIGESTOR ........ 74
5.5.1 Estabilidad del digestor laboratorio alimentado con co-sustrato pollinaza-
vinaza ............................................................................................................. 74
5.5.2 Estabilidad del digestor piloto ..................................................................... 75
6 CONCLUSIONES.................................................................................................. 77
7 LITERATURA CITADA .......................................................................................... 78
8 ANEXOS ............................................................................................................... 85
A1. RESULTADOS DE LA IMPLEMENTACIÓN DEL MODELO DE DIGESTIÓN DE
POLLINAZA ....................................................................................................... 85
A2. RESULTADOS DE LA SIMULACIÓN EN CONTINÚO. EFECTO DEL MÉTODO
DE ESTIMACIÓN .............................................................................................. 86
A3. RESULTADOS DE LA SIMULACIÓN EN SEMI CONTINUO. EFECTO DEL
MÉTODO DE ESTIMACIÓN .............................................................................. 88
A4. RESULTADOS DE LA IMPLEMENTACIÓN DE LA CO-DIGESTIÓN
POLLINAZA-VINAZA ......................................................................................... 89
A5. RESULTADOS DE LA CALIBRACIÓN EN LA CO-DIGESTIÓN POLLINAZA-
VINAZA .............................................................................................................. 90
A6. RESULTADOS DE LA CALIBRACIÓN DEL DIGESTOR PILOTO .................... 91
A7. RESULTADOS DE LA SIMULACIÓN DEL DIGESTOR PILOTO ...................... 92
A8. BALANCE DE NITRÓGENO DE LOS PROCESOS INVOLUCRADOS EN EL
MODELO ........................................................................................................... 93
A9. BALANCE DE CARBONO DE LOS PROCESOS INVOLUCRADOS EN EL
MODELO ........................................................................................................... 94
A10. CONVERSIONES A UNIDADES DE kgDQO ................................................... 96
ix
ÍNDICE DE FIGURAS
Figura 1. Procesos de conversión en la digestión anaeróbica ................................ 4
Figura 2. a) Fotografía del digestor laboratorio y el sistema de recirculación de

líquido. b) Diagrama del digestor de laboratorio de 10 L indicando los
principales flujo. .................................................................................... 19
Figura 3. a) Biodigestor anaerobio termofílico y b) Diagrama de proceso del

mismo biorreactor. ................................................................................ 20
Figura 4. Esquema del balance de masa para la preparación del sustrato. .......... 23
Figura 5. El modelo anaeróbico como fue implementado ..................................... 24
Figura 6. Modificación al modelo para incluir la degradación de ácido láctico ..... 33
Figura 7. Comportamiento de los ácidos grasos volátiles (AGV´s) en el digestor y

sus respectivos resultados de la simulación. ........................................ 48
Figura 8. Comparación del método de estimación de parámetros en las salidas del

modelo: a) Método mixto (ajuste manual combinado con mínimos
cuadrados no lineales), b) algoritmos de evolución diferencial. ........... 50
Figura 9. Efecto del método de estimación de parámetros sobre la salida de ácido

acético del modelo (AED: algoritmos de evolución diferencial, mcnl:
ajuste manual y mínimos cuadrados no lineales) ................................. 54
Figura 10. Resultados del modelo para acetato y propionato usando los tres
bloques de parámetros ......................................................................... 65
Figura 11. Resultados de la simulación de acetato y propionato (a) y de la

composición del biogás (b) en el digestor piloto ................................... 71
Figura 12. Composición del biogás (a) y valores del pH (b) en el digestor piloto .. 73
Figura 13. Resultados de la simulación de los indicadores AGV/Alcalinidad y ACN

(a) y de los indicadores F/Mnet y Fnet/Mnet (b). ....................................... 74
Figura 14. Resultados de la simulación de los indicadores ACN y AGV/Alcalinidad

(a) y de los indicadores F/Mnet y Fnet/Mnet (b) en el digestor piloto ........ 76
x
ÍNDICE DE CUADROS
Cuadro 1. Formas de inhibición microbiana. .................................................................... 15

Cuadro 2. Principales reacciones de degradación del ácido láctico ................................. 33
Cuadro 3. Matriz de Peterson de coeficientes estequiométricos para la degradación del
ácido láctico ................................................................................................... 34
Cuadro 4. Valores de los parámetros cinéticos adicionales ............................................. 34
Cuadro 5. Condiciones de operación del sistema. ........................................................... 35
Cuadro 6. Matriz de Peterson de coeficientes estequiométricos para estados solubles ... 40
Cuadro 7. Matriz de Peterson de coeficientes estequiométricos para estados particulados
...................................................................................................................... 41
Cuadro 8. Balance de DQO de cada proceso incluido en el modelo. ............................... 42
Cuadro 9. Composición química de la pollinaza ............................................................... 43
Cuadro 10. Caracterización química del sustrato preparado ............................................ 44
Cuadro 11. Propiedades de la pollinaza tomadas de la literatura ..................................... 44
Cuadro 12. Determinación de la matriz de alimentación del modelo considerando un
sistema en continuo. ...................................................................................... 45
Cuadro 13. Condiciones iniciales para el modelo............................................................. 47
Cuadro 14. Resultados de la estimación de parámetros por el método mixto (ajuste
manual y mínimos cuadrados no lineales) y por algoritmos de evolución
diferencial ...................................................................................................... 49
Cuadro 15. Vista general de la matriz de alimentación para la simulación de un sistema
semicontinuo ................................................................................................. 52
Cuadro 16. Tiempo de cómputo para el ajuste de parámetros por AED en sistema
semicontinuo utilizando distintos números de generaciones. ......................... 52
Cuadro 17. Resumen del ajuste de parámetros para un sistema en semicontinuo .......... 53
Cuadro 18. Composición química de la vinaza usada en los experimentos ..................... 55
Cuadro 19. Caracterización química del sustrato y co-sustrato preparado....................... 55
Cuadro 20. Propiedades de la vinaza tomadas de la literatura ........................................ 56
Cuadro 21. Determinación de la matriz de alimentación del modelo de co-digestión
pollinaza-vinaza ............................................................................................. 57
Cuadro 22. Condiciones iniciales para el modelo............................................................. 58
Cuadro 23. Resultados del ajuste de parámetros para el sistema en co-digestión ........... 59
Cuadro 24. Valores de los parámetros cinéticos para cada etapa de alimentación del
digestor.......................................................................................................... 61
Cuadro 25. Condiciones iniciales para los primeros 30 días (alimentación 100 % pollinaza)
...................................................................................................................... 63
Cuadro 26. Condiciones iniciales para los días 30 a 60 (alimentación 80 % pollinaza y 20
% vinaza) ....................................................................................................... 63
Cuadro 27. Condiciones iniciales para los días 60 a 90 (alimentación 60 % pollinaza y 40
% vinaza) ....................................................................................................... 64
Cuadro 28. Características de la alimentación del digestor piloto de los primeros 70 días66
Cuadro 29. Características del digestor piloto en los primeros 70 días ............................ 67
Cuadro 30. Características del biogás durante los primeros 70 días ................................ 67
Cuadro 31. Valores de la matriz de alimentación para la simulación del digestor piloto ... 68
Cuadro 32. Condiciones iniciales para la simulación del digestor piloto ........................... 68
Cuadro 33. Estimación de parámetros para el digestor piloto .......................................... 70
Cuadro 34. Composición química del estiércol de vaca ................................................... 72
xi
11 IIN
NTTR
ROOD
DUUC
CCCIIÓ
ÓNN
En la actualidad, la humanidad se enfrenta a diversos problemas, quizás dos de
los más impactantes son el cambio climático y el agotamiento de los combustibles
fósiles.
La acumulación de residuos agropecuarios, principalmente de origen animal,

representa una fuente significante de contaminación; además durante su
reincorporación al medio, se liberan gran cantidad de gases de efecto invernadero,
entre ellos CO2, N2O, CH4 y otros que incrementan de manera considerable el
calentamiento global del planeta.
Por otro lado, la amenaza de que las reservas de petróleo, principal combustible
para vehículos y máquinas, se agotará en las siguientes décadas obliga a buscar
nuevas alternativas que en un futuro lo sustituyan como el principal combustible.
En este sentido, diversas alternativas se han dado para resolver los problemas
planteados anteriormente, de manera individual y conjunta. En especial los
sistemas de digestión anaeróbica de residuos orgánicos (residuos animales entre
ellos) representan una alternativa viable.
El control de procesos como la metanogénesis reduce la emisión de gases de

efecto invernadero a la atmósfera y provee una fuente de energía renovable con el
potencial de usarse para sustituir al petróleo como combustible de manera parcial.
A pesar del avance en el desarrollo de esta tecnología, todavía se requiere

optimizar aspectos del proceso que permitan su incorporación a un nivel más
industrial. En los últimos años, el modelado matemático de los sistemas
biológicos, ha llegado a ser una herramienta importante de soporte para el diseño,
operación y control de los sistemas de digestión anaeróbica.
Actualmente, una de las propuestas de modelo que está adquiriendo popularidad

es el “Anaerobic digestion model No. 1 (ADM1)”, un modelo “genérico” del proceso
de digestión anaeróbica de material orgánico complejo que se adapta a las
condiciones específicas de cada sistema de tratamiento, no obstante ha arrojado
resultados interesantes en los sistemas estudiados.
Dado lo anterior, el objetivo de este trabajo es la propuesta y desarrollo de un

modelo matemático que describa la cinética del proceso de digestión anaeróbica
en un digestor anaeróbico termofílico de 40 m 3 que forma parte del proyecto
“Bioplex” de West Virginia State University utilizando como base el ADM1,
ajustándolo a las condiciones propias del biorreactor. El desarrollo del modelo,
permitirá, además de un mayor conocimiento del sistema, realizar pruebas que
permitan optimizar el desempeño del digestor en un menor tiempo y sin
comprometer el funcionamiento del mismo.
1
22 R
REEV
VIIS
SIIÓ
ÓNND
DEE LLIITTE
ERRA
ATTU
URRA
A
2.1 IMPORTANCIA DE LA DIGESTIÓN ANAERÓBICA
El cambio climático está afectando a la gente y a los ecosistemas, la reducción de
la emisión de gases de efecto invernadero parece la acción más prometedora para
contrabalancear los dramáticos cambios climáticos que se acercan en el futuro
(Schröder et al., 2008).
El sector de producción animal es responsable del 18% del total de emisiones de

gases de efecto invernadero (Holm-Nielsen et al., 2009). Las cantidades de CH4
emitidas a la atmósfera son bajas, pero su potencial de calentamiento global es de
21 veces más alto en comparación al efecto de CO2 (Enhalt et al., 2001).
La gran cantidad de residuos producidos en un área concentrada requiere de

soluciones para su eliminación, debido a que el amoníaco CO2 y CH4 pueden
causar problemas de contaminación del aire mientras que la aplicación indebida
de nitrógeno y fósforo al suelo en forma de estiércol puede causar problemas de
eutroficación de los recursos acuáticos superficiales y contaminación del suelo y
del agua subterránea (Güngör-Demirci y Demirer, 2004).
Una opción de mitigación para el manejo de residuos animales es la digestión

anaeróbica donde se han visto reducciones de hasta 71% en la emisión de
metano (Sommer et al., 2004). Además, el estiércol es una fuente abundante de
material orgánico para usarse como materia prima en los digestores anaeróbicos
(Ward et al., 2008).
El proceso de digestión anaeróbica puede considerarse como una tecnología

moderna debido a su capacidad para tratar sustratos de lenta degradación a altas
concentraciones, bajos requerimientos de energía, reducción de olores, recuperar
la energía y reducir las emisiones de CO2 (Ramírez et al., 2009).
Los sistemas de tratamiento anaeróbico son sistemas biológicos que operan en

ausencia de oxígeno (Kassam et al., 2003), estos sistemas son más adecuados
para el tratamiento de residuos altamente biodegradables y concentrados
(Kassam et al., 2003).
Los biocombustibles producidos a partir de biomasa renovable (como el biogás)

son los recursos energéticos sustentables con gran potencial para la producción
neutral de CO2 (Antoni et al., 2007).
El tratamiento anaeróbico brinda un método de reducción de la contaminación de

las operaciones agrícolas e industriales mientras que al mismo tiempo compagina
con las operaciones de los combustibles fósiles (Chen et al., 2008).
El biogás (producto de la digestión anaeróbica) es una alternativa prometedora

para el futuro debido a que su recurso base está ampliamente disponible y puede
empezar a operar en granjas o pequeñas cooperativas locales (Schröder et al.,
2
2008), puede almacenarse o distribuirse a través de la infraestructura del gas

natural presente en algunos países y usarse en las mismas aplicaciones que este
último, además de potencialmente reemplazar a los combustibles fósiles para el
transporte (Holm-Nielsen et al., 2009).
El biogás puede producirse de casi cualquier material biológico, incluyendo los del
sector agrícola primario y de varios residuos orgánicos de la sociedad, aunque el
recurso más grande está representado por los abonos animales y mezclas de
unidades de producción de ganado y cerdo así como de aves de corral, pescado,
etcétera (Holm-Nielsen et al., 2009). La calidad energética de este depende del
proceso de fermentación y de las características del sustrato alimentado al reactor
(Schröder et al., 2008).
El biogás producto de la co-digestión de residuos animales y biomasa vegetal es

también una solución atractiva desde un punto de vista socioeconómico cuando
los beneficios a la salud humana, animal y ambiental se cuantifican e integran en
los beneficios económicos totales (Holm-Nielsen et al., 2009).
La producción de energía, tal como potencia eléctrica y calor, en unidades

industriales pequeñas relativamente fáciles de manejar es una de las ventajas del
proceso de producción de biogás aunque su ventaja más importante es el aspecto
de la tecnología amigable con el ambiente (Antoni et al., 2007).
Los sistemas anaeróbicos son relativamente compactos, tienen bajos

requerimientos de energía y pueden ser un método efectivo para que las
compañías eviten ser multadas por las descargas de residuos al ambiente
(Kassam et al., 2003). La estricta legislación ambiental vista en países como
Dinamarca y Noruega ha resultado que estos países emerjan como líderes en la
implementación de tecnologías de tratamientos anaeróbicos (Kassam et al., 2003).
2.2 PROCESO DE DIGESTIÓN ANAERÓBICA PARA LA PRODUCCIÓN

DE BIOGÁS
Un manejo de calidad de los residuos animales implica el control de calidad de los
tres componentes principales del ciclo de digestión anaeróbica: la alimentación, el
proceso de digestión y el producto final tratado (Holm-Nielsen et al., 2009).
La reacción general de la metanogénesis se conoce desde hace mucho tiempo

(Symons y Bushell, 1933) y el proceso general puede resumirse con la siguiente
ecuación estequiométrica (Ecuación 1) :
( ) → ( ) ( ) (1)
La formación de biogás comprende básicamente las siguientes etapas (Figura 1):

hidrólisis, acidogénesis, acetogénesis y metanogénesis realizada por arqueas de
lento crecimiento sensibles a la acidificación, acumulación de amoniaco, bajas
cantidades de oxígeno entre otros (Antoni et al., 2007).
3
Durante los procesos de tratamiento anaeróbico, los microorganismos rompen las

moléculas orgánicas y producen hidrógeno, dióxido de carbono y metano,
(Kassam et al., 2003). La aplicación de los sistemas de digestión anaeróbica a
menudo se limitan por el hecho de que son sensibles a perturbaciones y pueden
sufrir inestabilidad (Ramírez et al., 2009).
Figura 1. Procesos de conversión en la digestión anaeróbica tal como se usan en

el ADM1, incluye la oxidación del acetato (Batstone et al., 2002a; Fountoulakis et
al., 2005).
2.2.1 HIDRÓLISIS Y DESINTEGRACIÓN

La desintegración e hidrólisis son procesos extracelulares biológicos y no
biológicos que median la ruptura y solubilización de material orgánico complejo a
sustratos solubles tales como carbohidratos, proteínas y lípidos (Batstone et al.,
2002a), describe la degradación de material de partículas compuestas con
características de amontonamiento, tales como los lodos activados (Lübken et al.,
2007). Los productos de la hidrólisis de carbohidratos, proteínas y lípidos son
azúcares sencillos, aminoácidos y ácidos grasos, respectivamente (Pavlostathis y
Giraldo-Gomez, 1991) aunque la digestión de proteínas y aminoácidos forma
amoníaco y iones amonio (Nayono et al., 2010; Sung y Liu, 2003).
2.2.2 ACIDOGÉNESIS
La acidogénensis se define como un proceso anaeróbico microbiano con
producción de ácido sin un donador o aceptor externo de electrones (Gujer y
Zehnder, 1983). En este paso se incluye la degradación de azúcares y
aminoácidos a compuestos más simples, como propionato, acetato y butirato en la
degradación de azúcares (Batstone et al., 2002a).
4
2.2.3 ACETOGÉNESIS
La degradación de ácidos orgánicos a acetato es un proceso de oxidación sin un
aceptor interno de electrones, de esta forma se requieren los organismos que
oxidan los ácidos orgánicos para utilizar un aceptor de electrones adicional como
el ion hidrógeno o el CO2 para producir H2 o formato respectivamente, los cuales
son consumidos por organismos metanogénos, normalmente arqueas (Batstone et
al., 2002a). El hidrogeno producido por la degradación de ácidos grasos volátiles
(AGV) puede transferirse a bacterias reductoras del sulfato, bacterias
homoacetogénicas o metanogénicas (Lübken et al., 2007).
2.2.4 OXIDACIÓN DEL ACETATO

La oxidación sintrófica del acetato fue reportada por Zinder y Koch (1984),
proponen un mecanismo para la metanogénesis del acetato por un co-cultivo que
oxida primeramente el acetato a CO2 e H2 por un primer organismo mientras que
el H2 es subsecuentemente usado por un segundo organismo para reducir el CO2
a CH4 (Zinder y Koch, 1984).
La oxidación del acetato a H2-CO2 (CH3COO-+4H2O→2HCO3-+4H2+H+) es

extremadamente exergónica (+94.9 kJ·mol-1) bajo condiciones estándar. La
reacción puede ocurrir solo cuando la presión parcial de H 2 se mantiene lo
suficientemente bajo para acoplarse con una reacción de consumo de H 2 (Luo et
al., 2002). Las bajas velocidades se deben a la baja cantidad de energía
disponible, la cual debe ser compartida por el consorcio sintrófico (Schnürer et al.,
1999).
La oxidación sintrófica del acetato en condiciones mesófilas se incrementa

conforme aumenta la concentración de sales, principalmente amoníaco, y ácidos
grasos volátiles (Schnürer et al., 1999).
Al respecto, los metanogénos hidrogenotróficos juegan un rol crucial en la

eliminación constante de H2 y produciendo metano para hacer energéticamente
posible la oxidación por organismos consumidores de H2. Así, la asociación
sintrófica entre oxidadores de sustrato y metanógenos consumidores de H 2 es
indispensable para sostener el proceso completo de degradación anaeróbica (Luo
et al., 2002).
2.2.5 METANOGÉNESIS
En la naturaleza existen diversos tipos de sustrato que pueden emplearse para la
producción de metano, sin embargo para el tratamiento de residuos animales, los
más importantes son los del tipo de CO2 y acetato. En el primer caso se incluye
como sustrato el CO2 que es reducido hasta metano utilizando hidrógeno como
fuente de poder reductor (Madigan et al., 2004) lo que se conoce como
metanogénesis hidrogenotrófica (Ecuación 2)
5
(2)
En el caso de la metanogénesis acetoclástica ocurre la ruptura de acetato hasta

dióxido de carbono y metano (Ecuación 3):
(3)
Sólo algunos metanógenos son acetotróficos pero aproximadamente dos tercios

del metano generado en la metanogénesis de lodos activados deriva del acetato, y
solamente un tercio lo hace a partir del anhídrido carbónico e hidrógeno (Boone et
al., 1989; Madigan et al., 2004).
Hay una diferencia considerable en la velocidad de degradación de acetato entre

los dos mecanismos de producción de metano, sugiriendo que la oxidación
sintrófica del acetato puede ser difícil de observar si ambos mecanismos se
activan al mismo tiempo (Schnürer et al., 1999).
Los metanógenos son los microorganismos clave responsables para el paso final
de la degradación de materiales orgánicos en ambientes naturales con aceptores
de electrones alternativos (Luo et al., 2002).
Los substratos para los metanógenos están limitados a un pequeño número de

moléculas de bajo peso, tales como H2, CO2, formato, metanol, metilaminas y
acetato pero la mayoría de la fuente de energía es suministrada por
microorganismos fermentativos que son capaces de degradar sustratos como
carbohidratos para producir H2 y acetato, los cuales serán convertidos a metano
por los metanogénicos (Luo et al., 2002).
2.2.6 INHIBICIÓN DEL PROCESO

Problemas como la baja producción de metano y la inestabilidad del proceso a
menudo se encuentran en la digestión anaeróbica, una amplia variedad de
sustancias inhibitorias pueden causar trastornos o fallas de un digestor anaeróbico
considerando que estas sustancias están presentes en concentraciones
sustanciales en los residuos, lodos y aguas residuales (Chen et al., 2008).
Un material puede juzgarse como inhibidor cuando causa un cambio adverso en la

población microbiana o inhibición del crecimiento bacteriano (Chen et al., 2008).
Los inhibidores más comunes en los digestores anaeróbicos incluyen el amoniaco,
sulfuro, iones metálicos ligeros, metales pesados y compuestos orgánicos.
También mecanismos como el antagonismo, sinergismo, aclimatación y
complejidad pueden afectar significativamente el fenómeno de inhibición (Chen et
al., 2008).
La principal inestabilidad asociada con la digestión anaeróbica de residuos

animales es la inhibición por amoniaco. El amoníaco es uno de los compuestos de
hidrólisis formados durante la degradación de materiales orgánicos proteínicos
6
(Chen et al., 2008; Sung y Liu, 2003). Los mecanismos que se han propuesto para
describir la inhibición por amoniaco van desde un cambio en el pH intracelular,
incremento en los requerimientos de energía de mantenimiento e inhibición de una
reacción enzimática específica (Chen et al., 2008). La inestabilidad del proceso
debido al amoniaco a menudo resulta en una acumulación de ácidos grasos
volátiles (AGV) lo cual otra vez conduce a una reducción del pH y disminuye la
concentración de amoniaco libre.
Para la remoción de amoniaco se pueden emplear métodos fisicoquímicos como

la precipitación química, incremento del tiempo de retención de biomasa (Chen et
al., 2008) o dilución del sustrato (Nielsen y Angelidaki, 2008). Recientemente,
Abouelenien et al. (2010) utilizaron un dispositivo para recircular el biogás
producido por una solución de ácido sulfúrico 2 N para remover hasta el 82% del
amoniaco producido.
Ciertos iones como Na+, Ca2+ y Mg2+ se encontraron antagonistas de la inhibición

por amoniaco, en particular el sodio y el amoniaco mostraron un antagonismo
mutuo en donde uno de ellos puede antagonizar la toxicidad producida por el otro
(Chen et al., 2008). Se ha propuesto que la falta de iones metálicos como el Ni 2+ y
Cu2+ también puede inhibir completamente la acetogénesis y la metanogénesis
(Tang et al., 2005).
Otro compuesto importante que causa inhibición es el sulfato, la reducción de

sulfato se lleva a cabo por dos grupos de bacterias reductoras del sulfato (SRB):
oxidantes incompletos y oxidantes completos; además dos fases de inhibición
existen como resultado de la reducción del sulfato: competencia por sustratos
orgánicos e inorgánicos comunes de SRB que suprimen la producción de metano
y la toxicidad del sulfuro a varios grupos bacterianos (Chen et al., 2008).
Los niveles de inhibición del sulfuro van de 100 a 800 mg·L -1 de sulfuro disuelto
(Chen et al., 2008). Varios procesos pueden aplicarse para promover la remoción
de sulfuro disuelto: diluir la corriente de las aguas residuales aunque se considera
indeseable porque incrementa el volumen a tratar, otra opción es incorporar un
paso de remoción de sulfuro en el proceso tales como técnicas fisicoquímicas,
reacciones químicas (coagulación, precipitación, oxidación) o conversiones
biológicas (Chen et al., 2008).
Altos niveles de sal también pueden causar deshidratación de las células

bacterianas inhibiendo el proceso, la toxicidad de las sales predomina por la
presencia de los cationes, entre los más importantes: sodio, potasio, calcio y
magnesio (Chen et al., 2008).
El Ca2+ es moderadamente inhibitorio a concentraciones de 2.5 - 4 g·L-1, pero es

un fuerte inhibidor a concentraciones de 8 g·L-1 aunque la adición de calcio puede
tener impactos positivos en los reactores cuando se desea aumentar la retención
de la biomasa (Chen et al., 2008).
7
Los iones magnesio (Mg2+) a altas concentraciones muestran un estímulo en la

producción de células aisladas, sin embargo, estas células aisladas muestran una
alta sensibilidad a la lisis lo que crea un factor importante en la pérdida de la
actividad acetoclástica (Chen et al., 2008).
Altos niveles de potasio extracelular (1 M) conducen a una afluencia pasiva de

iones potasio que neutralizan el potencial de la membrana, bajas concentraciones
(< 400 mg·L-1) mejoran el rendimiento del reactor en rangos mesófilos y
termofílicos (Chen et al., 2008). El sodio, magnesio y amoniaco mitigan la
toxicidad del potasio (Chen et al., 2008).
A bajas concentraciones, el sodio es esencial para los metanógenos, el IC50

(concentración para inhibir el 50% de la actividad) para la inhibición por sodio se
ha reportado entre 5.6 y 53 g·L-1 dependiendo del periodo de adaptación, sustrato,
etc. (Chen et al., 2008).
Los metales pesados que tienen un efecto de interés son el cromo, hierro, cobalto,
cobre, zinc, cadmio y níquel los cuales no son biodegradables pero que pueden
estar involucrados en muchos procesos fisicoquímicos y su efecto tóxico se
atribuye a disturbios de las funciones enzimáticas, además esta toxicidad esta
mejor correlacionada a la concentración en forma libre iónica del metal siendo
mayor el efecto de Cu, Zn y Ni en orden decreciente (Chen et al., 2008), aunque el
cobalto ha resultado ser necesario como factor de crecimiento en la digestión
termofílica de vinaza (Agler et al., 2008). Los métodos más importantes para
mitigar su toxicidad son la precipitación, absorción y quelación siendo el sulfuro el
principal agente de precipitación de metales pesados (Chen et al., 2008).
El mecanismo de inhibición del aluminio se debe a su competencia con hierro y

manganeso o su adhesión a la membrana o pared celular microbiana, así
acetogénicos y metanogénicos son inhibidos por la adición de Al(OH) 3 (Chen et
al., 2008).
Un amplio rango de compuestos orgánicos pueden inhibir el proceso anaeróbico,

entre ellos; clorofenoles, alifáticos halogenados, aromáticos, ácidos grasos de
cadena larga y compuestos lignocelulosicos; los parámetros que afectan la
toxicidad de los compuestos orgánicos incluyen la concentración del tóxico,
concentración de la biomasa, tiempo de exposición al tóxico, edad de la célula
patrón de alimentación, aclimatación y temperatura (Chen et al., 2008).
Las ácidos grasos de cadena corta son un intermediario clave del proceso de
digestión anaeróbica pero también son capaces de inhibir la metanogénesis a
altas concentraciones principalmente propiónico y butírico, la razón aquí es que
los metanógenos no son capaces de metabolizar el acético producido hasta que el
número de metanogénicos se incremente lo suficiente (Ward et al., 2008).
8
Así mismo, los ácidos grasos de cadena larga (AGCL) han mostrado la inhibición
del proceso siendo más sensible en los metanógenos, aunque parece ser un
fenómeno reversible (Palatsi et al., 2010), la adición equimolar de cloruro de calcio
impide su inhibición (Roy et al., 1985).
Concentraciones de acetato inicial en un cultivo arriba de 25 mM, así como el

benzoato y el lactato (10 mM) inhibe el crecimiento de S. wolfeii, alterando el flujo
de electrones en co-cultivos que catabolizan el crotonato, resultando en menos
formación de metano y más butirato y caproato (Beaty y McInerney, 1989).
La co-digestión con otros residuos, la adaptación de los microorganismos a la

sustancia inhibitoria y la incorporación de métodos para remover o contrarrestar
los tóxicos antes de la digestión anaeróbica puede mejorar significativamente la
eficiencia del tratamiento debido a que metanógenos y acidogénicos tienen su
propio pH óptimo y pueden darse las condiciones adecuadas a cada uno (Chen et
al., 2008).
2.2.7 INFLUENCIA DEL PH

Un valor de pH no sólo mide las concentraciones del ion hidrógeno o el ion
hidroxilo, sino que también determina la composición del nitrógeno amoniaco total;
así mientras amonio y iones hidrógeno (H+) se encuentran a bajos niveles de pH,
amoníaco y iones hidroxilo dominan a altos pH (Sung y Liu, 2003).
Beaty et al. (1989) reportan que la alta concentración de protones (bajos pH) no
son responsables de la inhibición, más bien los efectos inhibitorios pueden
atribuirse a la forma disociada de ácidos orgánicos como acetato y lactato.
La capacidad del "buffer" o amortiguamiento del pH a menudo se refiere como la

alcalinidad en la digestión anaeróbica, el cual es el equilibrio del CO 2 y los iones
bicarbonato (HCO3-) que brindan resistencia a cambios significativos y rápidos en
el pH y de esta manera la capacidad de amortiguamiento es proporcional a la
concentración de bicarbonato (Lansing et al., 2010; Ward et al., 2008).
La capacidad de amortiguamiento es un método más seguro de medición de

desequilibrio del digestor que el pH, puesto que una acumulación de ácidos grasos
reducirá significativamente la capacidad de amortiguamiento antes de que baje el
pH (Ward et al., 2008).
En este caso, la alcalinidad es necesaria para evitar la caída del pH debido a la

acumulación de ácidos grasos volátiles cuando se aplica una alta carga orgánica.
Los digestores anaeróbicos trabajan en un amplio rango de valores de alcalinidad
dependiendo del sustrato a ser degradado (Álvarez et al., 2010).
9
2.2.8 PROCESOS FÍSICO-QUÍMICOS

El sistema fisicoquímico puede definirse como procesos no biológicamente
mediados que ocurren comúnmente en reactores anaeróbicos (Batstone et al.,
2002a). Hay tres amplios tipos de procesos fisicoquímicos que se dividen de
acuerdo a su velocidad cinética:
♦ Procesos líquidos unifásicos (asociación/disociación de iones)

♦ Procesos de gas-liquido (transferencia líquido/gas)
♦ Procesos líquido-sólido (precipitación/solubilización)
Los procesos líquidos unifásicos involucran la asociación y disociación de iones

con iones hidrógeno e hidróxido, hay un número importante de compuestos los
cuales tienen un pKa (coeficiente de disociación) cercano a las condiciones de pH
de operación de los sistemas anaeróbicos (Batstone et al., 2002a).
En los procesos gas-líquido, son tres los principales componentes del gas que se
consideran significativos como intermediarios y que tienen un fuerte efecto en los
procesos biológicos (Batstone et al., 2002a):
♦ H2 (relativamente baja solubilidad)

♦ CH4 (relativamente baja solubilidad)
♦ CO2 (relativamente alta solubilidad)
2.3 TRATAMIENTO DE CO-SUSTRATOS (CO-DIGESTIÓN)

La co-digestión es un método de tratamiento de residuos donde diferentes tipos de
residuos se tratan juntos (Angelidaki y Ahring, 1997). La idea de la co-digestión
ofrece varias ventajas ecológicas, tecnológicas y económicas, de esta forma se
puede mejorar el tratamiento de residuos orgánicos a través de la digestión
anaeróbica, sin embargo es muy importante establecer el mejor combinación con
el fin de maximizar la producción de metano, evitar la inhibición del proceso y
hacer rentables las plantas de biogás (Álvarez et al., 2010).
Una razón particularmente fuerte de la co-digestión es la mejora de la relación

carbono/nitrógeno (C:N) del sustrato considerando que los microorganismos
utilizan una relación C:N de 25-30:1, la co-digestión de lodos de aguas residuales
con residuos agrícolas puede mejorar la producción de metano así como la co-
digestión de estiércol de vacas con residuos sólidos municipales (Ward et al.,
2008).
Tradicionalmente, el estiércol animal se utiliza como materia prima única para la

mayoría de los digestores para la recuperación de energía (producción de biogás).
Aunque conveniente y factible, se ha reconocido que sólo el uso del estiércol
animal puede no representar la forma más eficiente de producir biogás debido a su
inherente deficiencia de carbono, es decir, una relación C:N baja (Wu et al., 2010),
aunque hay autores que mencionan que el reducido rendimiento del biogás de
10
este material, a veces no justifica los costos de capital a nivel de granjas no

obstante la productividad del biogás puede ser dramáticamente incrementada
introduciendo co-sustratos ricos en energía al digestor anaeróbico (maíz, pastos,
pan, frutas, etc.) (Cavinato et al., 2010).
En el estudio de Magbanua et al. (2001) los rendimientos superiores del biogás y

el metano de tratamientos que combinan estiércol porcino y estiércol avícola
demuestra que la co-digestión de estos residuos es viable en comparación al
tratamiento individual de cada uno de ellos, aunque se incluye la posibilidad de
que el estiércol porcino pudiera suministrar metanógenos al sistema.
Un potencial de biodegradación alto (321 LCH4·kgCOD-1) ha sido reportado por

Álvarez et al. (2010) utilizando una mezcla compuesta de 84% de estiércol de
cerdo, 5% de residuos de pescado y 11% de residuos del biodiesel, mientras que
la velocidad de la velocidad de producción de metano más alta se logró con una
mezcla de 88% de estiércol de cerdo, 4% de residuos de pescado y 8% de
residuos del biodiesel (16.4 LCH4·kgCOD-1·d-1). De la misma forma, la co-digestión
anaeróbica del glicerol y aguas residuales provenientes de la elaboración del
biodiesel ha mostrado ser una buena alternativa para el tratamiento y
revalorización de desechos (Siles et al., 2010).
Los rendimientos altos de biogás y metano observados en la co-digestión de

estiércol y residuos agrícolas comparados solo con el estiércol solo puede
atribuirse al hecho de que los sólidos volátiles en los cultivos son degradados más
fácilmente que en el estiércol pues la parte fácilmente biodegradable se ha
digerido por el tracto digestivo de los animales (Wu et al., 2010).
2.3.1 CO-DIGESTIÓN CON VINAZA

El incremento en la demanda del etanol como combustible renovable ha causado
un incremento en la producción alrededor del mundo (Cassidy et al., 2008). La
digestión anaeróbica de vinaza (llamada "biometanación (biomethanation)" en la
industria del bioetanol) puede ser ventajoso comparado a la evaporación y secado
del suero pues la energía se recupera en forma de biogás, lo cual incrementa la
energía neta del balance macroscópico del sistema (Agler et al., 2008).
Cassidy et al. (2008) demuestran que el tratamiento anaeróbico de co-productos

de la industria del etanol puede explotarse para producir metano. Sus resultados
sugieren que aproximadamente 12 millones de kilojoules de energía podrían
producirse de la conversión biológica de una tonelada de destilados de granos
secos a metano (Cassidy et al., 2008).
Agler et al. (2008) evaluó la utilización de vinaza en reactores en secuencia de

lotes anaeróbicos termofílicos para la conversión a metano, encontrando que la
precipitación de estruvita (sales de magnesio) ocurre en estos digestores lo que
resulta en posibilidades de recuperación de nutrientes (Agler et al., 2008).
11
2.3.2 CO-DIGESTIÓN CON ESTIÉRCOL DE VACA

La co-digestión de la fracción orgánica de residuos sólidos municipales y estiércol
de vaca tienen un aparente efecto sinérgico el cual supera el desequilibrio en
nutrientes y mejora la biodegradación, este efecto resulta en altos rendimientos de
metano comparado con la digestión anaeróbica de estiércol de vaca como sustrato
simple (Macias-Corral et al., 2008).
El aceite de colza (en proporción de 2 % a 3.5 % v/v) como co-sustrato con el

estiércol de vaca ha mostrado una influencia positiva en la producción de biogás y
el contenido de metano, lo que significa que los metanogénicos son fuertemente
beneficiados de un influente con alta proporción de lípidos (Lübken et al., 2007).
La co-digestión del estiércol de vaca y residuos de alimentos puede mejorar el

rendimiento de biogás (hasta 531 L·kgSV) a comparación del uso solo del estiércol
(hasta 436 L·kgSV), además de que la co-digestión con residuos de alimentos
puede reducir la acumulación de intermediarios durante los periodos iniciales de
digestión (El-Mashad y Zhang, 2010).
No obstante, la producción de metano puede disminuir hasta en un 48% cuando la

proporción estiércol de vaca/ensilado se usa una proporción 70:30,
recomendándose el uso de una proporción estiércol/ensilado 80:20 con lo que se
logra un rendimiento de metano de 249 LCH4/kgSV (Comino et al., 2010).
2.4 MODELOS MATEMÁTICOS PARA DESCRIBIR EL PROCESO DE

DIGESTIÓN ANAERÓBICA Y SU IMPORTANCIA
Los modelos matemáticos de digestión anaeróbica han sido investigados
ampliamente y se han desarrollado para entender aspectos como la distribución
de desechos y biomasa metanogénica dentro de un biorreactor (Vavilin y
Angelidaki, 2005) o la dinámica del comportamiento en fases transitorias (Escudié
et al., 2005).
Los modelos matemáticos conducen al entendimiento y optimización de los

procesos, en este caso del proceso de digestión anaeróbica, describiendo las
reacciones que se llevan a cabo de una forma estructurada, estos modelos han
demostrado su eficiencia en el diseño y operación de procesos (Ramírez et al.,
2009).
En los últimos años, el modelado matemático ha llegado a ser muy popular como
una herramienta de soporte para el diseño, operación y control de los sistemas de
lodos activados (Lübken et al., 2007). Las técnicas de modelación matemática
pueden usarse para predecir el comportamiento del proceso en diferentes
escenarios y ayudar al manejo operacional para desarrollar estrategias para
mejorar la estabilidad (Silva et al., 2009).
12
Algunas estructuras de modelos de digestión anaeróbica pueden estudiarse en

Bello-Mendoza y Sharratt (1998) o Keshtkar et al. (2003) para describir el
comportamiento del mezclado no ideal en reactores de flujo continuo, vinculando
las expresiones cinéticas a un modelo de mezclado de líquido de dos regiones
simples, una región de flujo directo y una región de retención. El modelo de
digestión anaeróbica ADM1 (Batstone et al., 2002a; Batstone et al., 2002b) ha
tenido un gran avance en los últimos años y su aplicación se ha incrementado de
manera importante convirtiéndose en una plataforma común para el desarrollo de
simulaciones para un rango amplio de procesos específicos (Rivera-Salvador et
al., 2009).
Cabe mencionar que actualmente el desarrollo y ajuste de los modelos

matemáticos en situaciones normales es un procedimiento fácilmente
representado, sin embargo el desarrollo y ajuste de un modelo para representar
adecuadamente situaciones anormales es todavía una tarea difícil y un verdadero
reto (Ramírez et al., 2009).
2.4.1 MODELOS DE CRECIMIENTO Y BIODEGRADACIÓN

En ocasiones los modelos para la hidrólisis enzimática de la celulosa puede
considerar la hidrólisis de uno o más oligosacaridos solubles, la forma general de
la velocidad de reacción para oligosacaridos incluyendo celobiosa es (Ecuación 4):
∑ (4)
Donde Gj es un oligosacarido soluble de longitud de cadena j, rG es la velocidad

completa de formación de Gj, fC→Gj es la fracción de celulosa hidrolizada
directamente a Gj y rGji es la velocidad de formación del intermediario Gj (Lynd et
al., 2002).
Zhao et al. (2009) utilizaron un modelo cinético donde la velocidad de hidrólisis

limitado por la superficie fue el más adecuado para representar la biodegradación
de compuestos ricos en celulosa.
La conversión de compuestos fenólicos solubles a acetato puede expresarse por

la ecuación cinética de crecimiento de Haldane (Fezzani y Cheikh, 2009). En el
trabajo de Fezzani y Cheik (2009) las concentraciones de fenol en el efluente
fueron predichas con precisión con la extensión del modelo así como la velocidad
de producción de gas cuando hay una alimentación con alta concentración
(130 gDQO·L-1). Esta ecuación de Haldane también ha sido usada por Palatsi et al.
(2010) para describir el consumo de los ácidos grasos de cadena larga
considerándolos como inhibidores del proceso de digestión anaeróbica (Ecuación
5).
(5)
13
Modelos cinéticos de primer orden han sido utilizados para describir la producción
de metano, en ocasiones la simplicidad de estos modelos presenta diferencias con
los datos experimentales y la representación de intermediarios del proceso (ácidos
orgánicos) suele recomendarse (El-Mashad y Zhang, 2010) sin embargo el uso de
un modelo cinético de primer orden en dos etapas mostró un buen ajuste a los
datos de producción de biogás y permitió conocer si algún paso como la hidrólisis
puede ser limitante pero sigue sin presentar información de los intermediarios (Lei
et al., 2010).
Puesto que la degradación metanogénica de ácidos grasos es uno de los

procesos clave en el tratamiento técnico de lodos residuales y aguas residuales,
los modelos de la eficiencia de conversión metanogénica se desarrollaron pronto y
han sido aplicados a sistemas técnicos sobre una base empírica. Estos modelos
se basan en una aproximación de Michaelis-Menten que asume básicamente un
proceso de reacción irreversible, aunque estos modelos no toman en cuenta lo
suficiente la reacción de equilibrio y pasan por alto el problema de la inhibición
termodinámica por producto final, el cual es intrínsecamente importante para el
entendimiento de estos procesos (Schink, 1997).
2.4.2 MODELOS DE INHIBICIÓN

Batstone et al. (2002a) distingue entre distintos tipos de inhibición que ocurre entre
los procesos microbianos aunque sólo algunos de ellos son los usados para el
ADM1 (Cuadro 1). Los más utilizados son el modelo de inhibición no competitiva
(para la inhibición por hidrógeno y amoniaco libre), consumo competitivo (entre
butirato y valerato) y la inhibición por alto y/o bajo pH (Batstone et al., 2002a).
2.4.2.1 Inhibición no competitiva

Un modelo modificado de inhibición no competitiva fue usado por Fountoulakis et
al. (2008) para simular la inhibición en la acetogénesis y en la metanogénesis
causada por fármacos, en este caso se usó una función no lineal, como resultado,
las velocidades de consumo de acetato y propionato se modificaron de la siguiente
manera (Ecuación 6):
(6)
( )
Donde r es la velocidad de consumo de propionato o acetato como se expresa en

el ADM1, I es la concentración del fármaco inhibidor, KI es la constante de
inhibición y m es una constante que representa la dependencia no lineal de la
inhibición (Fountoulakis et al., 2008).
Palatsi et al. (2010) utilizaron términos de inhibición no competitiva para describir

tanto la metanogénesis acetoclastica como hidrogenotrófica por efecto de la
inhibición por ácidos grasos de cadena larga, los términos utilizados se muestran
en las ecuaciones 7 y 8:
14
Cuadro 1. Formas de inhibición microbiana.
Usada en el ADM1
Descripción Ecuación
para:
Inhibición por
Inhibición no
(a) hidrógeno e iones
competitiva
amonio.
Inhibición
No usada
acompetitiva ( )
Competitiva No usada
( )
Reducción en el
(b) ( ) No usada
rendimiento
Velocidad de
muerte biológica ( ) No usada
incrementada
Inhibición Inhibición por pH
( )
empírica por un cuando ocurre tanto
(c)
pH superior e ( ) ( ) inhibición por pH alto y
inferior bajo.
( ( ) )
Inhibición | Inhibición por pH
empírica sólo cuando sólo ocurre por
por pH bajo pH bajo
|
Competición de
Inhibición por
microorganismos por el
(d) consumo
consumo de butirato y
competitivo
valerato
Todo el consumo, para
inhibir consumo
Sustrato
(e) cuando nitrógeno
secundario
inorgánico está
cercano a cero.
Fuente: (Batstone et al., 2002a)
(7)
(8)
15
2.4.2.2 Inhibición por pH

Todos los procesos de la digestión anaeróbica dependen fuertemente del valor de
pH, así que una predicción realista del efecto de la inhibición de este parámetro
por un modelo es esencial (Lübken et al., 2007).
A un valor específico de pH, el efecto del amonio o del amoniaco sobre los
metanogenos se describe usando la ecuación de Monod extendida (Ecuación 9)
(Sung y Liu, 2003):
( ) * + (9)
( )
Donde R’ es la AEM (Actividad Específica Metanogénica), Rm es la máxima AEM

(sin inhibición) a un pH específico, S es la concentración del sustrato, Ks es la
constante media de saturación, I es la concentración del inhibidor e I* es la
concentración de amoniaco letal y m y n son coeficientes.
Por otro lado, la función de pH de Michaelis (Ecuación (10) puede usarse para la
estimación del rango de caída por pH, el cual se define como el rango de pH que
no puede causar más del 50% de inhibición, esta ecuación puede usarse para
estudiar el rol del pH en la inhibición por amoniaco de la actividad metanogénica
(Sung y Liu, 2003).
( )
( ) ( )
(10)
Dónde: R’ es la AEM del lote (mlCH4·g-1VSS day); R0 es la AEM a pH optimo a un nivel

específico de Nitrógeno Amoniaco Total (mlCH4·g-1 VSS day); pKl, pKh son los límites
de inhibición por pH inferior y superior, respectivamente.
2.4.3 SENSIBILIDAD Y ESTIMACIÓN DE PARÁMETROS

Los parámetros del proceso de digestión anaeróbica siempre se usan para
analizar el desempeño de los digestores y el diseño apropiado de los mismos,
además son muy útiles para entender los mecanismos inhibitorios de
biodegradación (Lei et al., 2010).
El análisis de sensibilidad permite la identificación de los parámetros más

importantes en el comportamiento dinámico del sistema (Silva et al., 2009) y
puede aplicarse para evaluar el efecto de los parámetros y entradas del modelo
sobre las salidas (López-Cruz et al., 2004).
Chen et al. (2009) recomiendan que los parámetros con alta sensibilidad y alta
variabilidad se estimen usando datos experimentales. Silva et al. (2009)
mencionan que los parámetros relacionados a la cinética del acetato (km,ac, Yac,
Ks,ac) revelan una alta sensibilidad en el modelo para predecir el comportamiento
de un reactor anaeróbico para el tratamiento de los efluentes condensados (EC)
16
de un molino de pulpa con sulfito. La calibración del modelo la realizaron por un

procedimiento iterativo usando las series experimentales de DQOs, flujo de
metano y iones acetato (Sac-), aunque también mencionan que la no optimización
de varios otros parámetros puede producir desviaciones importantes a los datos
experimentales (Silva et al., 2009).
Zhao et al. (2009) estimó las constantes de velocidad de hidrólisis y las constantes
de saturación de hidrólisis ajustando los valores predichos de ácidos grasos
volátiles (AGVs) y CH4 a los valores medidos experimentalmente.
Fountoulakis et al. (2008) estimaron los valores de la constante de inhibición (KI) y

de la constante de no linealidad (m) ajustando el modelo con las cinéticas
modificadas para la inhibición por fármacos de los datos de acetato y propionato
durante experimentos en lote conducidos a varias concentraciones de cada
fármaco.
2.5 CONSIDERACIONES FINALES

La investigación en plantas bioenergéticas y en la reducción de combustibles
fósiles es uno de los mayores objetivos para la siguiente década (Schröder et al.,
2008). Por otro lado, las finanzas gastadas en desarrollar tecnologías ambientales
e implementar soluciones tecnológicas para los problemas ambientales dependen
del rigor de las regulaciones ambientales (Kassam et al., 2003). Los esfuerzos
futuros deberían enfocarse en la investigación de nuevos diseños de sistemas de
alta velocidad y alta capacidad de tratamiento y estimular incentivos económicos a
las industrias que implementen algún sistema de tratamiento (Kassam et al.,
2003). Estos incentivos pueden motivar u obstaculizar la implementación de
tecnologías anaeróbicas (Kassam et al., 2003).
Para ello, se deben de crear programas para estimular el reciclaje de recursos

orgánicos, para el manejo de residuos animales, implementar una estrategia
completa de manejo de estos desechos, mejorar las tecnologías presentes y
reducir costos, encontrar soluciones para eliminar o evitar malos olores en los
alrededores de las plantas de biogás y una política para estimular la producción de
“electricidad verde” (Holm-Nielsen et al., 2009). El objetivo de las regulaciones
ambientales es promover el tratamiento biológico de residuos orgánicos para
prevenir cualquier impacto negativo en el medio aunque estas regulaciones son
más notorias sólo en países europeos (Schröder et al., 2008).
17
33 O
OBBJJE
ETTIIV
VOOS
S
3.1 OBJETIVO GENERAL
 Modificar el modelo de digestión anaerobica ADM1 para la digestión

anaeróbica termófila de pollinaza en un biorreactor de 40 m3.
3.2 OBJETIVOS ESPECÍFICOS
♦ Definir los cambios al ADM1 tomando en cuenta la composición del sustrato

y la cinética de los metabolitos intermedios de la digestión anaeróbica.
♦ Evaluar diferentes estrategias para la calibración del modelo.
♦ Analizar las condiciones experimentales del proceso de digestión

anaeróbica.
♦ Revisar modelos matemáticos para poblaciones microbianas y para

procesos celulares involucrados en la digestión
♦ Describir los procesos fundamentales de la digestión anaeróbica mediante

la modelación matemática del sistema incorporando el modelado de las
poblaciones microbianas y procesos celulares involucrados.
♦ Evaluar indicadores de estabilidad de los procesos de digestión anaeróbica.
18
44 D
DEES
SAAR
RRRO
OLLLLO
OEEX
XPPE
ERRIIM
MEEN
NTTA
ALL
4.1 BIORREACTOR ANAERÓBICO TERMOFÍLICO (ESCALA
LABORATORIO)
El reactor de escala laboratorio consta de un cilindro de vidrio con fondo cilíndrico
redondeado, lo rodea una chaqueta externa por donde se hace circular agua
caliente para mantener la temperatura constante. Tiene un volumen de trabajo de
10 L y un espacio de cabeza de 3 L con diversos puertos para toma de datos y
muestreo. El reactor se mantiene a 56ºC haciendo recircular agua caliente por la
chaqueta externa utilizando un baño maría y una bomba de recirculación. La
temperatura es monitoreada por una termocupla, el pH se mide por un medidor de
pH (Cole Parmer) conectado en la línea de recirculación (Figura 2).
MUESTREO DE
GAS
b) BIOGÁS
a)
EFLUENTE
BOMBA DE ALIMENTACIÓN
ALIMENTACIÓN
BIODIGESTOR
INTERCAMBIADOR DE CALOR
BOMBA DE RECIRCULACIÓN
Figura 2. a) Fotografía del digestor laboratorio y el sistema de recirculación de

líquido. b) Diagrama del digestor de laboratorio de 10 L indicando los principales
flujo (Elaboración propia).
La presión del biogás dentro del digestor se midió con un transductor de presión
(Omegadyne Inc., modelo no.PX209-015G5V) donde el exceso de biogás se liberó
hacia un cilindro con agua. Un motor eléctrico automático (Iwaki Co. Ltd, Japón,
modelo no. MD-6L) se usó para mezclar el contenido del digestor haciendo
recircular el líquido a través de tubos de vidrio para extraer e reintroducir el líquido
del digestor movido a una velocidad de 6.4 L·min-1, este procedimiento de
mezclado se realizaba en intervalos de dos horas durante un periodo de 94 s en
los que se mantenía funcionando la bomba.
Una bomba peristáltica (G.H Stennar & Co. Ltd, FL, modelo no. 85MHP17) se usó
para alimentar el digestor. El sistema se alimenta en semicontinuo donde la
alimentación de 666 mL se realiza en 194 s. Las muestras de gas se tomaron por
unos de los puertos utilizando una jeringa adaptada.
19
Tanto la bomba de recirculación, la bomba de alimentación, el baño maría, la

termocupla y los transductores de pH y presión se conectaron a un sistema central
de control eléctrico que controlaba el tiempo de operación, el monitoreo y la
grabación de información a una base de datos.
4.2 BIORREACTOR ANAERÓBICO TERMOFÍLICO (ESCALA PILOTO)

El biorreactor anaeróbico termofílico objeto de este estudio fue un biodigestor
anaerobio de 40 m3 ubicado en el campus de West Virginia State University, EUA
(Figura 3a) que opera de modo semicontinuo, la alimentación se realizó cada hora
con una suspensión de pollinaza al 7 %, su tiempo de retención hidráulica es de
alrededor de 28 días, la temperatura de operación es de 56.3ºC y los números
mostrados en la Figura 3b representan el material que fluye a través de cada
corriente: (1) alimentación, (2) efluente, (3) mezcla de biogás y vapor de agua, (4)
biogás, (5) agua, (6) y (7) biogás recirculado (8) y (9) líquido recirculado y (10)
sólidos. El sistema de agitación del tanque lo componen un sistema de
recirculación del biogás y un sistema de recirculación de líquido, no hay agitación
mecánica.
Condensador
4
Alimentación Biogás
a) b)
3 5
Agua
1 6
L-102
Biodigestor
D-203
9
M-101
L-205
E-206 8
JB-207
2
L-204 10
Efluente
Calentador
E-208
Sólidos
Figura 3. a) Biodigestor anaerobio termofílico y b) Diagrama de proceso del

mismo biorreactor.
El biodigestor cilíndrico (D-203) tiene un diámetro de 4.2 m y altura de 3.5 m, con
una forma cónica en el fondo del tanque (0.90 m de altura y un ángulo de 70°
respecto a la horizontal). Se mantiene a un volumen de trabajo de 27.43 m 3. La
suspensión contenida en el tanque se calienta por un depósito externo y un
intercambiador de calor (E-206) y una bomba de recirculación (L-205). El líquido
contenido en el tanque se bombea a través de la tubería E-206 y se regresa al
tanque mientras una mezcla caliente de glicol al 70 ºC se usa como medio de
calentamiento. El biogás ubicado en el espacio de cabeza se extrae por un
ventilador (JB-207) y lo expulsa a través de un anillo metálico localizado en la
base del tanque, esto se hace por un intervalo de 5 minutos cada hora para agitar
el contenido del tanque, tanto este sistema de recirculación de biogás como el
20
sistema de recirculación de líquido (L-205) son los encargados del mezclado en el

tanque (Espinosa-Solares et al., 2009), la ausencia de un sistema de agitación
mecánico hace de este digestor un caso especial. El efluente se descarga en un
tanque de sedimentación de 5.7 m3, el biogás se expulsa por presión diferencial a
través de un medidor de flujo Coriolis cuando la presión manométrica en el
espacio de cabeza llega a las 10 inH2O (2.5 kPa) (Bombardiere et al., 2007).
4.3 MÉTODOS ANALÍTICOS

4.3.1 TOMA DE MUESTRAS Y PROCEDIMIENTO QUÍMICOS
Para los análisis químicos se tomaron muestras tanto del efluente como de la
alimentación en recipientes de plástico de aproximadamente 500 mL en el digestor
piloto, las muestras se tomaron en el momento de la descarga y alimentación del
digestor. Cuando las muestras no se analizaban inmediatamente, se mantenían a
4 ºC hasta realizar los análisis.
En el digestor de 10 L, las muestras del efluente y la alimentación fueron

transportadas al laboratorio en hielo 30 minutos después de ser colectadas. Para
el perfil de ácidos grasos volátiles (AGV´s) las muestras (1 mL después de
centrifugar muestra del efluente a 10 000 rpm por 30 minutos) se enviaron al
laboratorio de análisis de rumen de West Virginia University en Morgantown, W.V.,
la frecuencia de muestreo para los perfiles de AGV´s fue de dos veces por
semana.
La composición del biogás y pH fueron grabados diariamente. El gas se muestreo

con una jeringa rígida (100 mL) a partir del espacio de cabeza del digestor.
Dentro de los procedimientos químicos se determinaron sólidos totales, sólidos

fijos y volátiles de acuerdo a los métodos estándar (APHA, 1998), nitrógeno-
amoníaco y demanda química de oxígeno por medio del kit "HACH" (HACH, 2004)
y demanda química de oxígeno soluble (sDQO) de acuerdo a lo propuesto por
Güngör-Demirci y Demirer (2004).
4.3.2 CARACTERIZACIÓN DEL SUSTRATO

La caracterización del sustrato en términos de carbohidratos, proteínas y lípidos es
esencial para determinar la composición del biogás (Lübken et al., 2007), todos los
sustratos usados en los experimentos se caracterizaron en función de su
contenido de humedad, hemicelulosa, lignina, proteína cruda, grasa cruda,
almidón, carbohidratos solubles (extractos de sacarosa, fructanos, fructosa,
glucosa y lactosa), cenizas, nitrógeno-amoníaco usando los métodos oficiales de
análisis de la AOAC (1990) y un perfil de ácidos grasos volátiles (ácido acético,
propiónico, butírico, iso-butírico, láctico) usando cromatografía de gases
(cromatógrafo de gases Varian 3300, detector FID; columna de vidrio empacado
con 80/120 Carbopack B-DA/4% Carbowax 20M).
21
Las muestras se enviaron al Laboratorio de descripción de Rumen (Rumen

Profiling Laboratory) de West Virginia University, Morgantown, W.V. para realizar
el análisis de su composición química y perfil de ácidos grasos.
La pollinaza se obtuvó de una granja comercial localizada en Moorefield, WV. La

pollinaza se toma de una granja de engorda usando aserrín formando un lecho
(Bombardiere et al., 2007).
La vinaza se obtuvo de "Commonwealth Agri-Energy", una planta de etanol

localizada en Hopkinsville, KY y se almacenó a 4ºC antes de usarse. La vinaza se
usó en los experimentos en co-digestión con la pollinaza en distintas proporciones.
4.3.3 PRODUCCIÓN TOTAL Y COMPOSICIÓN DE BIOGÁS.

En el caso del digestor piloto, el biogás se descarga del digestor por presión
diferencial cuando la presión interna excede las 10 pulgadas de columna de agua
(10 in H2O = 2.5 kPa), entonces se enfría para remover el agua previo a la
medición del flujo y la composición. Un medidor de flujo de gas Coriolis (Emerson,
#CMF025M319NABAEZZZ) mide la descarga de biogás del tanque, la
composición del biogás se mide con un cromatógrafo de gases (Agilent 7890 GC
with HP-PLOT Q column) reportando el porcentaje de metano en el biogás cada
15 minutos (Bombardiere et al., 2007; Espinosa-Solares et al., 2009).
En el caso del digestor laboratorio de 10 L, la composición del biogás se midió con

un cromatografo de gases (Agilent 7890 GC with HP-PLOT Q column) inyectando
la muestra con una jeringa hermética, el CG operó a una temperatura del horno de
200ºC, temperatura del inyector de 200ºC, temperatura del detector de 250ºC y la
velocidad del gas acarreador (100% Helio) de 9mL·min-1.
4.4 ALIMENTACIÓN CON POLLINAZA Y EN CO-DIGESTIÓN

POLLINAZA-VINAZA
Dos digestores escala laboratorio de 10 L se usaron para obtener datos para la
calibración y ajuste del modelo pues las condiciones experimentales son mejor
controladas que a escala piloto. Ambos biorreactores se manejaron a un tiempo de
retención hidráulico (TRH) de 15 días, se alimentaron 0.66 L de sustrato por día a
cada digestor. El tiempo de operación total de cada digestor fue de 90 días.
Un digestor se alimentó con una suspensión de pollinaza al 2.2%, preparada con 3

kg de pollinaza (74%ST, densidad 1.02 kg·L-1) y 99.8 L de agua para obtener
100 L (102 kg) de sustrato.
El otro digestor inició alimentándose con la suspensión de pollinaza al 2.2% los

primeros 30 días (2 TRH), posteriormente la alimentación se modificó por un
sustrato vinaza-pollinaza al 2.2% de ST, 20% de lós sólidos provenían de la vinaza
(15.7%ST, densidad 1.05 kg·L-1) y el resto de pollinaza, durante otros 30 días (día
22
31-60), finalmente del día 61-90 la composición del sustrato volvió a cambiar,
ahora la vinaza componía el 40 % de los sólidos totales de la alimentación.
En el caso del digestor piloto se preparaba diariamente 1000 galones (3785 L) dl

suspensión de pollinaza al 7 % mezclando 365 kg de pollinaza y 3.59 m3 de agua.
Los cálculos para determinar el peso de cada componente se resumen a

continuación (Figura 4):
Pollinaza
P=masa de pollinaza [kg]
Xp=fracción materia seca pollinaza = (%ST/100)
Vinaza Sustrato
V=masa de vinaza [kg] S=masa total del sustrato [kg]
Xv=fracción materia seca vinaza = (%ST/100) Xs=fracción materia seca sustrato = (2.2 %ST/100)
Agua
W=masa de agua [kg]
Xw=fracción materia seca agua = 0
Figura 4. Esquema del balance de masa para la preparación del sustrato

(Elaboración propia).
Balance total (Ecuación 11):
(11)
Balance de componentes, sólidos totales (Ecuación 12):
(12)
En este sistema, se conoce la cantidad de sustrato a preparar (S) así como el

contenido de sólidos totales del sustrato (Xs), de la vinaza (Xv) y de la pollinaza
(Xp). Se desea conocer la cantidad de pollinaza (P), vinaza (V) y agua (W) a
mezclarse para obtener el sustrato deseado, para resolver el sistema se considera
la proporción de vinaza (20%, 40%) que se desea mezclar en el sustrato mediante
la siguiente Ecuación 13:
(13)
Donde fv es la fracción de vinaza en la mezcla y puede ser fv=0.2 o fv=0.4.
4.5 ADECUACIÓN DEL MODELO

La propuesta del "IWA-Anaerobic Digestión Model No.1 (ADM1)" (Batstone et al.,
2002a; 2002b) se usó para representar el comportamiento cinético del sistema
anaeróbico, tanto del digestor laboratorio como del digestor piloto.
23
El desarrollo del modelo se dividió en tres etapas, la primera consistió en

comprobar la conservación de D.Q.O., nitrógeno y carbono después de la adición
de nuevas reacciones e implementar el modelo en el software MATLAB/Simulink
que permitió la ejecución y resolución del modelo, la segunda parte consistió en el
ajuste del modelo a los datos experimentales obtenidos del digestor de 10 L
alimentado sólo con pollinaza modificando el valor de los parámetros y la tercera
etapa consistió en la validación del modelo la cual sirve para concluir que el
modelo es una buena representación del sistema, en esta etapa se consideraron
los datos de co-digestión pollinaza-vinaza y los datos del digestor piloto. La
estructura general del modelo se representa en la Figura 5.
Figura 5. El modelo anaeróbico como fue implementado incluyendo los procesos

bioquímicos (1) acidogénesis de azúcares; (2) acidogénesis de aminoácidos;
(3) acetogénesis de AGCL; (4) acetogénesis a partir de propionato;
(5) acetogénesis a partir de butirato y valerato; (6) metanogénesis acetoclastica;
(7) metanogénesis hidrogenotrófica y (8) oxidación del acetato (Fuente:
elaboración propia a partir de (Batstone et al., 2002b).
24
La presentación de los coeficientes estequiométricos en forma de Matriz (llamada

comúnmente "Matriz de Peterson") muestra los términos de reacción para cada
componente, subdividido por procesos (Batstone et al., 2002a). El término para
reacción específica de cada componente se formula sumando los productos de los
coeficientes estequiométricos presentes en la columna de dicho componente y las
velocidades del proceso, por ejemplo en el caso de monosacáridos (Ecuación 14):
( ) (14)
Así mismo, la conservación de D.Q.O., nitrógeno y carbono puede verificarse

fácilmente en forma matricial. Los coeficientes estequiométricos para cada fila
deben sumar cero. En el modelo original el balance de D.Q.O. está implícito en las
ecuaciones del sistema, lo cual revelará la mayoría de los errores
estequiométricos en el balance de D.Q.O., carbono y nitrógeno (Batstone et al.,
2002a; Penumathsa et al., 2008). Las unidades de D.Q.O. es la base de la matriz
y su conservación puede calcularse sustituyendo los coeficientes estequiométricos
(fa,b) y los rendimientos (YS) omitiendo los componentes que no contribuyen, como
carbono inorgánico (SIC) y nitrógeno inorgánico (SIN), la conservación de carbono y
nitrógeno se comprueba multiplicando las columnas por el contenido de carbono
(Ci) y nitrógeno (Ni) de cada componente y recalculando en cada fila incluyendo
SIC o SIN según sea el caso (Batstone et al., 2002a).
La metodología anterior se aplica con el fin de caracterizar los componentes

involucrados en el proceso, calcular la conversión de parámetros para identificar
posibles reacciones no balanceadas, visualizar la matriz estequiométrica completa
basado en diferentes formalismos y construyendo flujos de masa a través de las
transformaciones del modelo (Zaher et al., 2003).
Con la finalidad de ver la precisión y eficiencia del modelo se decidió evaluar el

proceso continuo y semicontinuo para evaluar la propuesta más adecuada.
4.5.1 IMPLEMENTACIÓN DEL MODELO

El sistema de ecuaciones diferenciales ordinarias (EDO) del ADM1 se implementó
usando el software Matlab/Simulink como proponen Rosen y Jeppsson (2004).
Recientemente, Sherma (2010) encontró que entre las principales comunidades

microbianas en los digestores usados para este trabajo, las arqueas
metanogénicas hidrogenotróficas Methanoculleus y Methanothermobacter son las
encargadas del proceso de producción de metano excluyendo la metanogénesis
acetoclástica, sus resultados sugieren que éste último proceso no se lleva a cabo
en los biorreactores, además la presencia de bacterias sintróficas relacionadas a
la oxidación de ácidos grasos volátiles, entre ellos acetato, apuntan a realizar las
modificaciones pertinentes en el ADM1, suprimiendo el proceso de metanogénesis
acetoclástica y sustituyéndolo por el proceso de oxidación del acetato (Smith,
2008).
25
El sistema de EDO constó de 36 ecuaciones diferenciales, 20 procesos cinéticos

(bioquímicos), 6 procesos de disociación acido-base, 3 procesos de transferencia
líquido gas y 8 términos de inhibición.
Los procesos cinéticos son los siguientes (Ecuaciones 15 a 35):
Desintegración del sustrato: (15)
Hidrólisis de carbohidratos: (16)
Hidrólisis de proteínas: (17)
Hidrólisis de lípidos: (18)
Consumo de monosacáridos: (19)
Consumo de aminoácidos: (20)
Consumo de ácidos grasos de cadena larga:
(21)
Consumo de ácido valérico: (22)
Consumo de butirato: (23)
Consumo de propionato: (24)
Consumo de acetato: (25)
Oxidación del acetato: (26)
Consumo de hidrógeno disuelto: (27)
Muerte de acidogénicos (consumen monosacáridos): (28)
Muerte de acidogénicos (consumen aminoácidos): (29)
Muerte de acidogénicos (consumen ácidos grasos): (30)
Muerte acetogénicos (consumen butirato y valerato): (31)
Muerte de acetogénicos (consumen de propionato): (32)
26
Muerte de metanogénicos acetoclásticos: (33)
Muerte de metanogenicos hidrogenotróficos: (34)
Muerte de sintróficos consumidores de acetato: (35)
Los procesos de disociación ácido-base son (Ecuaciones 36-41):
Disociación ion valerato: ( [ ] ( ) ) (36)
Disociación ion butirato: ( [ ] ( ) ) (37)
Disociación ion propionato:
( [ ] ( ) ) (38)
Disociación ion acetato: ( [ ] ( ) ) (39)
Disociación ion HCO3-: ( [ ] ( ) )(40)
Disociación ion NH4+: ( [ ] ( ) ) (41)
Y los procesos de transferencia de gas son los siguientes (Ecuaciones 42 a 44):
Transferencia de hidrógeno a la fase gas.
( ) (42)
Transferencia de metano a la fase gas.
( ) (43)
Transferencia de CO2 a la fase gas.
( ) (44)
Los procesos de inhibición que afectan algunas de las ecuaciones cinéticas (ρ5-12)
se presentan a continuación (Ecuaciones 45 a 61):
(45)
(46)
(47)
(48)
27
(49)
(50)
(51)
( )
{ (52)
( )
{ (53)
( )
{ (54)
(55)
(56)
(57)
(58)
(59)
(60)
( ) (61)
Así, finalmente los balances de materia en el digestor quedan establecidos de la

siguiente manera, para la fase acuosa (Ecuaciones 62 a 88):
Monosacáridos: ( ) ( ) (62)
Aminoácidos: ( ) (63)
28
Ácidos grasos: ( ) (64)
Ácido valérico: ( ) ( ) (65)
Ácido butírico:
( ) ( ) ( ) (66)
Ácido propionico:
( ) ( ) ( )
( ) (67)
Ácido acético:
( ) ( ) ( ) ( )
( ) ( ) ( ) (68)
Hidrógeno:
( ) ( ) ( ) (
) ( ) ( ) ( )
( ) (69)
Metano: ( ) ( ) (70)
Carbono inorgánico:
( ) ∑ (∑ ) (71)
Donde:
∑ (∑ ) ∑ ( ) (72)
Y:
(73)
(74)
(75)
( ) (76)
( )( ) (77)
( )( ) (78)
( ) (79)
29
( ) ( ) (80)
( ) (81)
( ) (82)
( ) (83)
(84)
( ) (85)
(86)
Nitrógeno inorgánico:
( ) ( )
(
)∑ ( ) (87)
Solubles inertes: ( ) (88)
Fase acuosa material particulado (Ecuaciones 89 a 103):
Material compuesto: ( ) ∑ (89)
Carbohidratos: ( ) (90)
Proteína: ( ) (91)
Lípidos: ( ) (92)
Acidógenos consumidores de monosacáridos:

( ) (93)
Acidógenos consumidores de aminoácidos:

( ) (94)
Acidógenos consumidores de ácidos grasos:

( ) (95)
Acetógenos consumidores de butirato y valerato:

( ) (96)
30
Acetogenos consumidores de propionato:

( ) (97)
Sintróficos consumidores de acetato: ( ) (98)
Metanógenos acetoclásticos: ( ) (99)
Metanógenos hidrogenotróficos: ( ) (100)
Partículas inertes: ( ) (101)
Para los cationes y aniones (Ecuaciones 102 y 103):

Cationes: ( ) (102)
Aniones: ( ) (103)
Para los estados acido-base (Ecuaciones 104 a 109):

Ion valerato: (104)
Ion butirato: (105)
Ion propionato: (106)
Ion acetato: (107)
Ácido carbónico: (108)
Amoniaco: (109)
Ecuaciones algebraicas (Ecuaciones 110 a 113):
√ (110)
(111)
(112)
(113)
31
Los estados para la fase gaseosa son (Ecuaciones 114 a 116):
Hidrógeno: (114)
Metano: (115)
Dióxido de carbono: (116)
Las ecuaciones algebraicas para la fase gas son (Ecuaciones 117 a 120):
Presión parcial de hidrógeno en el gas: (117)
Presión parcial de metano en el gas: (118)
Presión parcial de CO2 en el gas: (119)
Flujo de gas: ( ) (120)
Las ecuaciones fueron implementadas en un archivo en lenguaje C, para poder

ejecutarlo en MATLAB el archivo debe estar compilado usando el comando "mex
adm1.c".
El sistema de ecuaciones diferenciales y algebraicas se resolvió usando el método

de orden variable "ode15s" para sistemas rígidos ("stiff") que se basa en las
Fórmulas de Diferenciación Númerica (NDF por sus siglas en inglés). Aunque es
un método que se considera de precisión baja a media, es útil para sistemas
rígidos donde métodos de solución como el Runge-Kutta no trabajan
adecuadamente.
4.5.2 MODIFICACIÓN AL MODELO PARA COMPUESTOS CON ALTO CONTENIDO DE

LACTATO
Batstone et al. (2000a) sugieren que la degradación del lacato puede dirigirse
hacia la producción de acetato o propionato principalmente, por otro lado Batstone
et al. (2002a) mencionan que las principales reacciones de degradación de
monosacáridos se enfocan a la producción de acetato, CO 2 e H2 y una reacción
distinta produce acetato, propionato y CO2 (Cuadro 2) de acuerdo a estos autores,
la estequiometría del ácido láctico es la misma para la glucosa y estas reacciones
pueden considerarse como alternativas de la degradación del lactato.
Batstone et al. (2000a) muestran una matriz estequiométrica donde el valor de los
coeficientes es función de la concentración de hidrógeno en el medio, utilizando
esta metodología con la concentración de hidrógeno de 10 Pa (considerado en el
modelo), la reacción resulta en la producción de un mol de propionato con el
32
consumo de un mol de lactato y un mol de hidrógeno (H2) como se aprecia en el

Cuadro 2, por lo tanto para el modelo se considera esta reacción como ruta de
degradación del lactato.
La estructura de degradación del lactato en el modelo considera el consumo de

lactato (Slac) e hidrógeno (H2) por bacterias consumidoras de ácido láctico (Xlac)
con la subsecuente producción de propionato (Figura 6).
Cuadro 2. Principales reacciones de degradación del ácido láctico
Reacción Fuente
(Batstone et al., 2002a)
LACTATO
H2
Xlac
PROPIONATO
Figura 6. Modificación al modelo para incluir la degradación de ácido láctico

Los componentes involucrados implican la adición de dos procesos al modelo, el
consumo del ácido láctico (Ecuación 121) y la muerte de los degradadores de
lactato (Ecuación 122), al igual que en los demás procesos del modelo el consumo
de lactato se supone sigue una cinética de tipo Monod con inhibición por pH y
nitrógeno limitante, por su parte la muerte de Xlac se supone como una reacción de
primer orden, la forma de las ecuaciones correspondientes se muestran a
continuación:
Consumo de ácido láctico: (121)
Muerte de acidogénicos (consumen lactato): (122)
El balance de DQO, carbono y nitrógeno puede verificarse de la matriz de

Peterson del Cuadro 3, donde se muestra la inclusión de los procesos en el
modelo así como los coeficientes estequiométricos.
Así, las ecuaciones de estado finales para el ácido láctico (Ecuación 123) y para
los degradadores de lactato (Ecuación 124) quedan de la siguiente manera:
Ácido láctico: ( ) (123)
33
Degradadores de lactato: ( ) (124)
Cuadro 3. Matriz de Peterson de coeficientes estequiométricos para la

degradación del ácido láctico
6 7 9 11 12 14 27
Componente: i→ Láctico total Propiónico Total Hidrógeno IC IN Compuestos Degr. Lac. Velocidades
Proceso: j Slac Spro Sh2 SIC SIN Xc Xlac de proceso
↓ kgCOD m-3 kgCOD m-3 kgCOD m-3 kmol m-3 kmol m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 d -1
21 Muerte de Xlac · , (Nbac-Nxc) 1 -1

= , Ecuación 122
10a Degradación de Lactato -1 7/6·(1-Ylac) -1/6 · , -(Ylac)·Nbac 7/6·Ylac

= , Ecuación 121
Y haciendo las modificaciones pertinentes para propionato (Ecuación 125) y el

hidrógeno (Ecuación 126), las ecuaciones de estado quedan así:
Ácido propiónico:
( ) ( ) ( )
( ) ( ) (125)
Hidrógeno:
( ) ( ) ( ) (
) ( ) ( ) ( )
( ) (126)
4.5.3 CALIBRACIÓN DEL MODELO

Inicialmente, para la calibración del modelo, se usaron los valores de los
parámetros propuestos inicialmente por Batstone et al. (2002b) y Rosen y
Jeppsson. Los parámetros adicionales que no se encuentran en estos reportes,
principalmente para sintróficos, se presentan en el Cuadro 4.
Cuadro 4. Valores de los parámetros cinéticos adicionales
Coeficiente Valor Unidades Observaciones

3.5 kgDQO·kgDQO-1·d-1 (Dwyer et al., 1988)
0.3 kgDQOS·m-3 (Dwyer et al., 1988)
0.08 kgDQOX·kgDQOS-1 (Beaty y McInerney, 1989)
8x10-6 kgDQOS·m-3 (Schink, 1997)
Finalmente, los parámetros de operación de los digestores, tanto el digestor nivel

piloto como los digestores de laboratorio, se muestran en el Cuadro 5.
34
Cuadro 5. Condiciones de operación del sistema.
Parámetro Valor Unidades Observaciones

298.15 K
329.85 K Corresponde a 56.7ºC
0.01 - 32 m-3 Digestor laboratorio - Digestor
piloto
0.003 - 8 m-3 Digestor laboratorio - Digestor
piloto
0.9928 bar Correspondiente a los m.s.n.m. en
Charleston, WV
Los parámetros estequiométricos dependen de las reacciones químicas y se

basan en la cantidad de sustrato que puede dirigirse hacia la formación de cierto
producto, por ejemplo, , indica la fracción de monosacáridos que pueden
dirigirse a formar butirato. Por otro lado, los parámetros cinéticos dependen de la
velocidad a la que se lleva a cabo el proceso, parámetros como km, Ks y Y
dependen del tipo de microorganismo o microorganismos que desarrollan el
proceso.
Diversos autores, (Boltes et al., 2008; Chen et al., 2009; Silva et al., 2009)
coinciden en que los parámetros asociados a los ácidos grasos volátiles (km y Ks)
son los que requieren de mayor atención para poder representar adecuadamente
el proceso de digestión anaeróbica. En el presente trabajo, además de trabajar
con el ajuste de los parámetros cinéticos, se trabajó sobre los parámetros
cinéticos de primer orden Kdis, Khid.
El primer paso en el procedimiento de ajuste de parámetros empezó por hacer que

el modelo se pudiera ejecutar adecuadamente, sin errores de sintaxis o de cálculo,
y que las salidas del sistema se mantuvieran en un orden razonable.
Posteriormente, se procedió a modificar los valores de los parámetros por un

método manual, buscando que el modelo tuviera una tendencia similar a los datos
experimentales, posteriormente se afinó la búsqueda del valor de los parámetros
por medio de un método de estimación de parámetros de búsqueda local que
aplica mínimos cuadrados no lineales.
Se usó la función de Matlab "lsqnonlin", utilizada para resolver problemas de

mínimos cuadrados no lineales de la forma (Ecuación 127):
‖ ( )‖ [ ( ) ( ) ( ) ] (127)
Dónde: es un vector de parámetros, ( ) es una función que regresa un vector

de valores y ‖ ( )‖ es la suma de cuadrados.
35
Esta función localiza aquellos valores que minimizan la suma de cuadrados de la

diferencia entre los valores de la simulación y los valores experimentales. La razón
de usar un método mixto (calibración manual y mínimos cuadrados no lineales) es
el problema de la sobreparametrización, es decir la estimación de una gran
cantidad de parámetros por mínimos cuadrados conduce a valores estimados
imprecisos (altas varianzas de los estimadores de parámetros) y predicciones
imprecisas del modelo (Makowski et al., 2006).
Un procedimiento de algoritmos de evolución diferencial también fue aplicado para

estimación de parámetros. Los algoritmos evolucionarios son métodos de
optimización estocástica que han mostrado varias ventajas como optimizadores
globales (López-Cruz et al., 2008). Los algoritmos de evolución diferencial (AED)
son algoritmos evolucionarios basados en una población de soluciones
potenciales representada como vectores de punto flotante, son eficientes en
resolver problemas de optimización multimodal (López-Cruz et al., 2008).
Como otros algoritmos evolucionarios también usan operadores evolucionarios

para buscar la mejor solución después de un número de generaciones, estos
operadores pueden ser mutación diferencial, cruzamiento diferencial y selección
diferencial (López-Cruz et al., 2008).
Los parámetros a estimar fueron los mismos del método anterior. El método de
optimización se implementó de acuerdo a López-Cruz et al. (2008), los parámetros
del algoritmo de evolución diferencial (ED) fueron los siguientes:
Probabilidad de cruzamiento: 0.2.

Factor de variación diferencial: 0.9.
Tamaño de población: 60.
Precisión: 1x10-6.
Número de variables a optimizar (n): 28.
Número de generaciones: 500.
Estrategia: 7.
Finalmente los valores encontrados como óptimos, pasaron a considerarse como

los parámetros del modelo.
Cabe destacar que la no linealidad de algunos términos de las ecuaciones, la

cercana interrelación de procesos y el gran número de parámetros dificultó e hizo
tardado encontrar los parámetros por el método manual y debido a que el método
de optimización de mínimos cuadrados no lineales no es un método de búsqueda
global, como pueden ser algoritmos genéticos o algoritmos de evolución
diferencial (López-Cruz et al., 2008), es posible que estos valores no sean
necesariamente los óptimos del sistema, sin embargo como primera aproximación
resultan bastante informativos y útiles.
36
4.5.4 VALIDACIÓN DEL MODELO

Para la validación del modelo, se utilizaron los datos experimentales del digestor
laboratorio de 10 L alimentado con el co-sustrato pollinaza-vinaza, así como los
datos del digestor piloto.
Se realizaron los ajustes necesarios en los parámetros de operación de cada

digestor así como de la composición del sustrato y de las condiciones iniciales de
cada estado del sistema.
En el caso del sistema en co-digestión, se fijó un diferente bloque de valores de

los parámetros para cada cambio en la composición de la alimentación.
4.6 CÁLCULO DE INDICADORES DE ESTABILIDAD

La estabilidad y eficiencia del proceso de digestión anaeróbica depende de la
estabilidad de los procesos bioquímicos individuales involucrados en él. La
utilización de indicadores que reflejen el estado cinético del proceso es más
adecuado para asegurar la estabilidad de un digestor en situaciones dinámicas
(Schoen et al., 2009).
El ADM1 puede usarse para investigar la relación entre la estabilidad y la dinámica

poblacional de la biomasa, para este propósito se requiere calcular diversos
índices claves de estabilidad del proceso de digestión anaeróbica, hay un
considerable debate en la literatura respecto a las mejores formas de monitorear la
estabilidad de un digestor, los parámetros más ampliamente reconocidos son
(Schoen et al., 2009):
1. pH.
2. Velocidad de producción y composición del gas (CH4 y CO2)
3. Concentración de hidrógeno en la fase gaseosa.
4. Ácidos volátiles y alcalinidad
5. El número de capacidad de acetato (ACN por sus siglas en inglés) que se
define como:
[ ]
La relación de ácidos volátiles/alcalinidad (AGV/alcalinidad) indica la proporción

relativa de compuestos que actúan para reducir el pH y de la capacidad de
amortiguamiento para mantenerlo (Schoen et al., 2009), los ácidos volátiles se
calculan como:
* + [ ]
Y la alcalinidad se determina como:
37
[ ] * +
La alcalinidad representa la habilidad de un digestor para neutralizar los ácidos

formados durante la digestión o presentes en el sustrato, la acumulación de AGV´s
refleja un desacoplamiento cinético entre los productores y consumidores de
ácidos y es típico de las situaciones de estrés (Schoen et al., 2009).
La ACN es una medida para esta capacidad de exceso de acetato, un número

bajo implica menos capacidad de utilización del exceso de acetato en el digestor y
así es mayor la inestabilidad del proceso (Schoen et al., 2009).
La velocidad máxima de utilización de acetato de una comunidad microbiana se

calcula como:
[ ]
Donde, la variable Xst sustituye a la variable Xac propuesta originalmente por

Schoen et al (2009) debido a que el modelo en este trabajo considera que no hay
metanógenos acetoclásticos y el consumo de acetato se realiza por medio de los
organismos sintróficos oxidantes de acetato.
Por otro lado, la velocidad de producción de acetato (VPA) se determina como la

suma de los procesos bioquímicos que producen acetato.
[ ] ( ) ( ) ( )
( ) ( ) ( )
Adicional a estos indicadores, la velocidad de carga orgánica (OLR por sus siglas
en inglés), la relación alimentación/microorganismos (F/M), relación alimentación
microorganismos netos (F/Mnet) y relación alimentación neta microorganismos
netos (Fnet/Mnet) se usaron como indicadores adicionales utilizando las ecuaciones
siguientes:
Dónde: DQOin es la demanda química de oxígeno de la alimentación, DQOreac es

la demanda química de oxígeno del reactor y DQOdegr es la demanda química
degradable.
El usó de estos indicadores se empleó para evaluar el desempeño del digestor

laboratorio de 10 L alimentado con vinaza y en los resultados del digestor piloto.
38
55 R
REES
SUULLTTA
ADDO
OSSY
YDDIIS
SCCU
USSIIÓ
ÓNN
5.1 BALANCES DE CARBONO, NITRÓGENO Y D.Q.O.
La matriz de Peterson del modelo propuesto se muestra en el Cuadro 6 para
estados solubles y el Cuadro 7 para estados particulados, se incluye el proceso de
oxidación del acetato (proceso 11a) y la muerte de los organismos sintróficos
oxidantes de acetato (proceso 20).
La metanogénesis acetoclastica se suprimió del modelo para considerar lo

reportado por Sherma (2010) donde la metanogénesis del sistema se lleva a cabo
por arqueas metanogénicas hidrogenotróficas. Sustituyendo los valores dentro de
la matriz y haciendo la suma algebraica en cada fila del Cuadro 6 y Cuadro 7 se
realizó la comprobación del balance de DQO, omitiendo los coeficientes de las
columnas 11 y 12 del Cuadro 6, los resultados de los balances en cada proceso se
muestran en el Cuadro 8.
La oxidación del acetato y la muerte de sintróficos (Xst) son procesos

completamente balanceados en términos de D.Q.O. Su incorporación al modelo
no afectó el balance de D.Q.O. de los demás compuestos.
En el balance de nitrógeno se considera el coeficiente de la columna 11 del

Cuadro 6, además solo los aminoácidos (Saa), Inertes (Si, Xi), material compuesto
(Xc), proteínas (Xpr) y biomasa contienen nitrógeno, por ello los demás compuestos
no se consideran (Anexo A8).
Finalmente, el balance de carbono también tuvo que ser comprobado y los

resultados se muestran en el Anexo A9, conviene destacar que el término con el
signo de sumatoria se refiere a la producción o consumo de carbono inorgánico
(CO2 principalmente)
Observando la columna 11 para el balance de nitrógeno (Cuadro 6), se aprecia la

contribución de la degradación de aminoácidos y muerte de la biomasa microbiana
a la producción de nitrógeno inorgánico, el consumo del nitrógeno se relaciona al
crecimiento de los microorganismos.
En el balance de carbono (Anexo A9), específicamente en la columna 10 se

aprecia la generación o consumo de carbono inorgánico de cada proceso. La
metanogénesis hidrogenotrófica contribuye al consumo de carbono inorgánico,
principalmente CO2, recordando que la estequiometria de esta reacción necesita
de CO2 e H2 para formar CH4.
Por su parte la oxidación del acetato es el proceso que produce más CO2, aunque
también la degradación de propionato, monosacáridos y aminoácidos contribuyen
en menor medida. La producción de CO2 por el proceso de oxidación del acetato
esta inversamente relacionado con el valor del rendimiento sustrato/biomasa (Yst).
39
Cuadro 6. Matriz de Peterson de coeficientes estequiométricos para estados solubles
1 2 3 4 5 6 7 8 9 10 11 12
40
Componente: i→ Monosacáridos Aminoácidos AGCL Valérico Total Butírico Total Propiónico Total Acético Total Hidrógeno Metano IC IN DQO Inertes Velocidades
Proceso: j Ssu Saa Sfa Sva Sbu Spro Sac Sh2 Sch4 SIC SIN SI de proceso
↓ kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kmol m-3 kmol m-3 kgCOD m-3 kgCOD m-3 d-1
1 Desintegración Nxc−(fxI,xc+fsI,xc)NI−fpr,xc(Naa+NI) fsI,xc Ecuación 15
2 Hidrólisis de Carbohidratos 1 Ecuación 16
3 Hidrólisis de Proteínas 1 Ecuación 17
4 Hidrólisis de Lípidos 1-ffa,li ffa,li Ecuación 18
5 Degradación de monosacaridos -1 (1-Ysu)fbu,su (1-Ysu)fpro,su (1-Ysu)fac,su (1-Ysu)fh2,su -(Ysu)·Nbac Ecuación 19
6 Degradación de aminoácidos -1 (1-Yaa)fva,aa (1-Yaa)fbu,aa (1-Yaa)fpro,aa (1-Yaa)fac,aa (1-Yaa)fh2,aa Naa -(Yaa)·Nbac Ecuación 20
7 Degradación de AGCL -1 (1-Yfa)·0.7 (1-Yfa)·0.3 -(Yfa)·Nbac Ecuación 21
8 Degradación de Valerato -1 (1-Yc4)·0.54 (1-Yc4)·0.31 (1-Yc4)·0.15 -(Yc4)·Nbac Ecuación 22
9 Degradación de Butirato -1 (1-Yc4)·0.8 (1-Yc4)·0.2 -(Yc4)·Nbac Ecuación 23
10 Degradación de Propionato -1 (1-Ypro)·0.57 (1-Ypro)·0.43 -(Ypro)·Nbac Ecuación 24
11 Metanogénesis Acetoclástica -1 (1-Yac) -(Yac)·Nbac Ecuación 25
12 Metanogénesis Hidrogenotrófica -1 (1-Yh2) -(Yh2)·Nbac Ecuación 27
13 Muerte de XSu (Nbac-Nxc) Ecuación 28
14 Muerte de XAA (Nbac-Nxc) Ecuación 29
15 Muerte de XFa (Nbac-Nxc) Ecuación 30
16 Muerte de XBu (Nbac-Nxc) Ecuación 31
17 Muerte de XPro (Nbac-Nxc) Ecuación 32

Estudio cinético de la digestión anaeróbica termofílica de pollinaza a escala piloto
18 Muerte de XAc (Nbac-Nxc) Ecuación 33
19 Muerte de XH2 (Nbac-Nxc) Ecuación 34

2010
20 Muerte de XSt (Nbac-Nxc) Ecuación 35
11a Oxidación del Acetato -1 (1-Yst) -(Yst)·Nbac Ecuación 26

Cuadro 7. Matriz de Peterson de coeficientes estequiométricos para estados particulados
13 14 15 16 17 18 19 20 21 22 23 24 25
Componente Material Compuesto Carbohidratos Proteínas Lípidos Degr.Monosac Degrad. AA´s Degr. AGCL Degr. But Degr. Prop Degr. Acet. Degr. H2 Part. Inertes Oxid. Ac Velocidades
Proceso Xc Xch Xpr Xli Xsu Xaa Xfa Xbu Xpro XAc Xh2 Xi XSt de proceso
41
kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 kgCOD m-3 d-1
1 Desintegración -1 fch,xc fpr,xc fli,xc fxI,xc Ecuación 15
2 Hidrólisis de Carbohidratos -1 Ecuación 16
3 Hidrólisis de Proteínas -1 Ecuación 17
4 Hidrólisis de Lípidos -1 Ecuación 18
5 Degradación de monosacaridos Ysu Ecuación 19
6 Degradación de aminoácidos Yaa Ecuación 20
7 Degradación de AGCL Yfa Ecuación 21
8 Degradación de Valerato Yc4 Ecuación 22
9 Degradación de Butirato Yc4 Ecuación 23
10 Degradación de Propionato Ypro Ecuación 24
11 Metanogénesis Acetoclástica Yac Ecuación 25
12 Metanogénesis Hidrogenotrófica Yh2 Ecuación 27
13 Muerte de XSu 1 -1 Ecuación 28
14 Muerte de XAA 1 -1 Ecuación 29
15 Muerte de XFa 1 -1 Ecuación 30
16 Muerte de XBu 1 -1 Ecuación 31
17 Muerte de XPro 1 -1 Ecuación 32
18 Muerte de XAc 1 -1 Ecuación 33

Estudio cinético de la digestión anaeróbica termofílica de pollinaza a escala piloto
19 Muerte de XH2 1 -1 Ecuación 34
1 -1 Ecuación 35
2010
20 Muerte de XSt
11a Oxidación del Acetato Yst Ecuación 26

Cuadro 8. Balance de DQO de cada proceso incluido en el modelo.
Proceso Balance DQO

Desintegración
Hidrólisis de
carbohidratos y
proteínas
Hidrólisis de lípidos ( ) ( )
Degradación de ( ) ( ) ( ) (
monosacáridos ) ( ) ( )
( ) ( )
Degradación de ( ) ( ) ( ) (
aminoácidos ) ( ) ( )
( ) ( ) ( )
( )
Degradación de AGCL ( ) ( )
( ) ( )
Degradación de ( ) ( ) ( )
valerato ( ) ( ) ( )
Degradación de butirato ( ) ( ) ( )
( )
Degradación de ( ) ( )
propionato ( ) ( )
Metanogénesis ( ) ( )
acetoclástica
hidrogenotrófica
Muerte de XSu, XAA, XFa,

XBu, XPro, XAc, XH2, XSt
Oxidación del acetato ( ) ( )
42
5 .2 SIMULACIÓN DEL PROCESO DE OXIDACIÓN DEL ACETATO

En el trabajo de Sherma (2010) y Smith (2008), la población microbiana asociada
al proceso de digestión anaeróbica de pollinaza en el biorreactor termófilico,
objetivo de este modelo, presenta a las arqueas metanogénicas hidrogenotróficas
como las responsables de la producción de metano, la ausencia de arqueas
acetoclásticas y la presencia también de bacterias asociadas a la oxidación del
acetato como Clostridium ultunense (Hattori, 2008; Schink, 1997) o
Thermoacetogenium phaeum del phylum Firmicutes o Thermotoga lettingae del
phylum Thermotogae (Hattori, 2008) y bacterias del phylum Firmicutes "no
clasificadas" es decir de alguna especie (o especies) recién descubierta (s)
sugieren modificaciones a la estructura general del modelo.
Considerando lo anterior, se suprimió el proceso de metanogénesis acetoclástica

del modelo ADM1 y se adicionó el proceso de oxidación del acetato para acercar
el modelo a la situación real del sistema, es decir la ausencia de metanógenos
acetoclásticos y la presencia de microorganismos encargados de la oxidación del
acetato como se reporta en Smith (2008).
La definición de las condiciones iniciales se realizó en función de los análisis

químicos realizados a la pollinaza, éstos resultados se presentan en el Cuadro 9.
Cuadro 9. Composición química de la pollinaza
PESO en g/100 g
COMPONENTE
POLLINAZA HÚMEDA
Humedad 29.81
Materia Seca 70.19
Hemicelulosa 18.15
Lignina 3.61
Proteína cruda 15.43
Grasa cruda 1.56
Almidón 1.51
Carbohidratos solubles 2.34
Cenizas 7.95
N-Amoníaco 0.24
Fibra Detergente Neutro 41.99
Fibra Detergente Acido 23.84
Ácidos volátiles totales 1.34
Ácido acético 0.6656
Ácido propiónico 0.0315
Ácido iso-butírico 0.0237
Ácido butírico 0.1007
Ácido láctico 0.5111
43
La pollinaza presenta un alto contenido de hemicelulosa y proteína, el digestor

piloto ha presentado capacidad de degradación de compuestos celulósicos
(Bombardiere et al., 2005). Las Actinobacterias (Lynd et al., 2002), así como
Clostridium thermocellum, Clostridium stercorarium y Clostridium josui del phylum
Firmicutes (Ohmiya et al., 2005; Shiratori et al., 2006) se han descrito como
organismos encargados de la degradación de compuestos celulósicos, esto
permite considerar la hemicelulosa como un compuesto degradable en el proceso
y contemplarlo como parte de los carbohidratos en el modelo (Xch) similar a la
consideración de Wichern et al. (2009) y Koch et al. (2010) quienes engloban la
celulosa, hemicelulosa y almidón a esta variable.
Por su parte, Tang et al. (2005) considera la degradación de proteínas por parte
de bacterias del phylum Bacteroidetes y Dethiosulfovibrio del phylum
Synergistetes mientras que Cytryn et al. (2005) citan a Aminobacterium mobilis
como bacterias anaeróbicas fermentativas que utilizan proteínas, péptidos,
aminoácidos y algunos ácidos orgánicos. Todos los phyla mencionados han sido
encontrados en como parte de la diversidad microbiana del biorreactor termofílico
(Sherma, 2010).
La demanda química de oxígeno (DQO), % de sólidos totales en el sustrato fueron

medidos al inicio de cada etapa de 30 días, estos valores no se sufren
modificaciones considerables en el tiempo del experimento como se aprecia en el
Cuadro 10.
Cuadro 10. Caracterización química del sustrato preparado
D.Q.O. VOLUMEN DE % SÓLIDOS

DÍAS
(mg/L) ALIMENTACIÓN (L/d) TOTALES
0-30 24700 0.666 2.2
31-60 25600 0.666 2.2
61-90 24000 0.666 2.2
No obstante, algunos datos debieron ser tomados de la literatura haciendo las

correcciones pertinentes en función de los sólidos totales, los datos del Cuadro 11
se tomaron de Espinosa-Solares et al. (2006).
Cuadro 11. Propiedades de la pollinaza tomadas de la literatura
PARÁMETRO VALOR OBSERVACIONES

Sólidos totales (%) 5.46 gsólidos/100 gsuspensión Todos los valores tomados de
Sólidos volátiles (%) 74.4 % de sólidos totales (Espinosa-Solares et al.,
Alcalinidad 6210 mgCaCO3/L 2006).
pH 6.78
De acuerdo a Batstone et al. (2002a) un parámetro importante a calcular es el

factor de biodegradabilidad, este factor determinará la fracción de D.Q.O. no
44
degradable representado en el modelo como componentes inertes (SI, XI). Lesteur

et al. (2010) revisaron diversas metodologías para determinar la biodegradabilidad
(D) en sistemas anaeróbicos, así como las ventajas y complicaciones de usar
cada una de ellas, para este trabajó se usó el modelo predictivo de Chandler
(Ecuación 122):
(128)
Dónde: X1 es el contenido de lignina como % de sólidos volátiles.
Transformando a unidades de D.Q.O. como se explica en el Anexo A10, se

procedió a calcular la matriz de alimentación del sistema, considerando que existe
cierta variación en la demanda química de oxígeno, se determinaron tres distintas
composiciones de la alimentación en función de la D.Q.O. en cada fase. Los
resultados finales se muestran en el Cuadro 12.
Cuadro 12. Determinación de la matriz de alimentación del modelo considerando

un sistema en continuo.
Estado Día 0-30 Día 30-60 Día 60-90

Ssu 0.800260 kgDQO·m-3 0.800260 kgDQO·m-3 0.800260 kgDQO·m-3
Saa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sfa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sva 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sbu 0.029067 kgDQO·m-3 0.029067 kgDQO·m-3 0.029067 kgDQO·m-3
Spro 0.189710 kgDQO·m-3 0.189710 kgDQO·m-3 0.189710 kgDQO·m-3
Sac 0.227215 kgDQO·m-3 0.227215 kgDQO·m-3 0.227215 kgDQO·m-3
Sh2 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sch4 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
SIC 0.050052 kmol-C·m-3 0.050052 kmol-C·m-3 0.050052 kmol-C·m-3
SIN 0.004492 kmol-N·m-3 0.004492 kmol-N·m-3 0.004492 kmol-N·m-3
SI 0.000000 kgDQO·m-3 0.501170 kgDQO·m-3 0.000000 kgDQO·m-3
XC 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xch 6.711165 kgDQO·m-3 6.711165 kgDQO·m-3 6.711165 kgDQO·m-3
Xpr 7.663232 kgDQO·m-3 7.663232 kgDQO·m-3 7.663232 kgDQO·m-3
Xli 1.441829 kgDQO·m-3 1.441829 kgDQO·m-3 1.441829 kgDQO·m-3
Xsu 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xaa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xfa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xc4 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xpro 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xac 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xh2 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
XI 7.753824 kgDQO·m-3 8.036352 kgDQO·m-3 7.534080 kgDQO·m-3
Scat+ 0.050044 M 0.050044 M 0.050044 M
San- 0.045405 M 0.045405 M 0.045405 M
Xst 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
qliq 0.000666 m3·d-1 0.000666 m3·d-1 0.000666 m3·d-1
45
El modelo supone que el sustrato no contiene biomasa microbiana por lo que el

crecimiento microbiano se debe únicamente a la capacidad del consorcio
microbiano de desarrollarse en las condiciones del biorreactor, además la
temperatura de operación del biorreactor (56 ºC) impide el desarrollo de la mayoría
de microorganismos patógenos que pudieran estar presentes en los residuos
orgánicos usados como sustrato (Sahlström, 2003; Smith et al., 2005) en este
caso la pollinaza.
También se considera que la concentración de los gases (CH4, H2) disueltos en el

sustrato es cero, estos gases son producto de la digestión anaeróbica, para el
carbono inorgánico (SIC) el valor en la alimentación corresponde a la
concentración de CO2 disuelto en el líquido, asumiendo la concentración de CO2
en el aire de 0.03% (Sco2), y del valor de alcalinidad de la literatura (Shco3-), el
estado SIC se considera como la suma de Sco2 y Shco3-.
Se asume que el lactato se convierte rápidamente hacia propionato, su

concentración en el medio es baja y puede asumirse su rápida degradación de
acuerdo a lo reportado por Batstone et al. (2002a), además no hubo detección de
ácido láctico en los perfiles de AGV´s indicando que no hay producción de este
metabolíto. La importancia del lactato dentro del proceso se considera
despreciable, por ello ninguna modificación al modelo referente a la degradación o
consumo de lactato se hizo para la digestión anaeróbica de pollinaza.
Finalmente se consideró empezar con un sistema en continuo, el valor del flujo de

alimentación se fijó en 0.666 L·dia-1. Posteriormente se consideró un sistema
semicontinuo con un valor del flujo de alimentación de 0.3 m 3·d-1.
Para la determinación de las condiciones iniciales, se utilizaron los datos

correspondientes al día cero (18 octubre 2009). Los datos de perfiles de ácidos
grasos fueron convertidos a unidades de kgDQO·m-3 de acuerdo al Anexo A10. La
concentración de H2 en la fase gaseosa es demasiado baja como para detectarse,
pero dado que para llevar a cabo la oxidación sintrófica del acetato se requiere
una presión parcial de hidrógeno de 10 Pa (Schink, 1997) se consideró constante
este valor durante el proceso, el resto corresponde al valor de %CH 4 y la
diferencia entre estos dos gases se supone pertenece al CO2.
Considerando los resultados de Espinosa-Solares et al. (2006), la cantidad de

amoníaco se estableció en 2.004 kg·m-3 y la alcalinidad en 10.859 kg·m-3. Para la
estimación de los aniones iniciales, se consideró que el valor de alcalinidad
representaba los aniones (Ramírez et al., 2009). La concentración de la biomasa
se calculó en función de los sólidos volátiles reportados por Espinosa-Solares et
al. (2006) y considerando el análisis de abundancia de la comunidad microbiana
reportada por Sherma (2010) se dio mayor proporción a arqueas y bacterias
sintróficas, además la alta concentración de proteínas y polisacáridos del sustrato
justifica que la concentración de degradadores de monosacáridos (Xsu) y
aminoácidos (Xaa) sea también mayor que los restantes microorganismos, no
46
obstante posteriores correcciones se hicieron principalmente a los compuestos

particulados (carbohidratos, proteínas, lípidos, y biomasa) ejecutando el modelo y
observando que las cinéticas tendían a la estabilidad, el valor final de cada
componente, si se observaba estabilidad, se usó como condición inicial para el
modelo. Los resultados de las consideraciones anteriores para las condiciones
iniciales se resumen en el Cuadro 13.
Cuadro 13. Condiciones iniciales para el modelo
Valor
Estado Valor inicial Unidad Estado Unidad
inicial
Ssu 0.0148 kgDQO·m-3 Xfa 0.0600 kgDQO·m-3
Saa 0.0418 kgDQO·m-3 Xc4 0.1006 kgDQO·m-3
Sfa 0.3321 kgDQO·m-3 Xpro 0.0643 kgDQO·m-3
Sva 0.3799 kgDQO·m-3 Xac 0.0000 kgDQO·m-3
Sbu 0.3701 kgDQO·m-3 Xh2 0.5401 kgDQO·m-3
Spro 1.3135 kgDQO·m-3 XI 8.3775 kgDQO·m-3
Sac 1.0822 kgDQO·m-3 Scat+ 0.1054 kmol·m-3
Sh2 1.18x10-6 kgDQO·m-3 San- 0.0500 kmol·m-3
Sch4 0.0397 kgDQO·m-3 Xst 0.5506 kgDQO·m-3
SIC 0.2443 kmol·m-3 Sva- 0.3771 kgDQO·m-3
SIN 0.1179 kmol·m-3 Sbu- 0.3676 kgDQO·m-3
SI 2.6846 kgDQO·m-3 Spro- 1.3033 kgDQO·m-3
XC 0.0139 kgDQO·m-3 Sac- 1.0746 kgDQO·m-3
Xch 0.0075 kgDQO·m-3 Shco3- 0.2380 kmol·m-3
Xpr 0.1086 kgDQO·m-3 Snh3 0.1085 kmol·m-3
Xli 0.1050 kgDQO·m-3 Sgas,h2 5.83x10-5 kgDQO·m-3
Xsu 0.4834 kgDQO·m-3 Sgas,ch4 1.2473 kgDQO·m-3
Xaa 0.4219 kgDQO·m-3 Sgas,CO2 0.0084 kmol·m-3
5.2.1 RESULTADOS DE LA SIMULACIÓN

Los resultados del modelo usando los valores propuestos por Batstone et al
(2002a) se muestran en el Anexo A1, en la Figura 7 se hace una comparación
entre los resultados experimentales de ácidos grasos y los resultados del modelo.
La salida correspondiente al estado de los metanogénicos acetoclasticos (Xac) se

mantiene siempre en cero en todo el tiempo de la simulación lo que indica como
este proceso ha sido suprimido del modelo, así el consumo de acetato se debe
exclusivamente a la acción de los sintróficos (Xst) mientras que la generación de
metano corre por cuenta de los metanógenos hidrogenotróficos (Xh2).
A este nivel, hay una gran diferencia entre los valores experimentales y los valores
que arroja el modelo, es necesario un procedimiento de ajuste de parámetros para
mejorar la calidad del modelo.
47
1.8
Acético
1.6
Propiónico
Ácidos grasos volátiles [kgDQO·m ]

-3
Butírico
1.4 Valérico
S_ac
1.2 S_pro
S_bu
1.0 S_va
0.8
0.6
0.4
0.2
0.0
0 20 40 60 80
Tiempo [días]
Figura 7. Comportamiento de los ácidos grasos volátiles (AGV´s) en el digestor y

sus respectivos resultados de la simulación.
5.2.2 CALIBRACIÓN DEL MODELO. COMPARACIÓN DE LOS MÉTODOS DE
ESTIMACIÓN DE PARÁMETROS
A falta de un análisis de sensibilidad, la elección de los parámetros a estimar se

realizó considerando la literatura. Boltes et al. (2008) mencionan que para la
aplicación del modelo, es necesaria una revisión de los parámetros cinéticos
usados para la degradación de ácidos grasos volátiles, para este caso km,c4, Ks,c4,
km,pro, Ks,pro, km,st, Ks,st. Lee et al. (2009) encontró que la sensibilidad de cada
componente depende principalmente del número de procesos relacionados con él,
como resultado kdis, kdec, Ks,su, Ks,aa, km,pro, Ks,pro, km,ac y Ks,ac fueron optimizados en
éste estudio para un digestor termofílico. Chen et al. (2009) mencionan que los
parámetros con una alta variabilidad para su trabajo son kdis, km,pro, Ks,pro, km,ac,
Ks,ac, Ks,h2, por otro lado Silva et al. (Silva et al., 2009) encontraron una alta
sensibilidad principalmente en cinéticas relacionadas al acetato.
Dos metodologías para la estimación de parámetros fueron aplicadas: la primera

fue un procedimiento mixto de ajuste manual con mínimos cuadrados no lineales y
la segunda se basó en los algoritmos de evolución diferencial. Los resultados de
ambos procedimientos se resumen en el Cuadro 14.
Al final, la suma de cuadrados del error es muy similar en ambos casos siendo
ligeramente menor con los algoritmos de evolución diferencial. La suma de
cuadrados del error refleja la diferencia entre los valores experimentales y los
valores simulados, entre menor sea este valor mejor es el ajuste del modelo a los
datos experimentales.
Hay parámetros cuyo valor varía considerablemente entre un método y otro,

siendo mayor en aquellos parámetros relacionados a los acidogénicos (km,su, Ks,su,
km,fa, Ks,fa, km,aa, Ks,aa), no obstante la calidad de las salidas es muy similar en
ambos casos, sin embargo el tiempo invertido utilizando algoritmos de evolución
diferencial es mucho menor y más metódico que el uso combinado de mínimos
48
cuadrados no lineales y el método de ajuste manual. Al final, la suma de

cuadrados del error es muy similar en ambos casos (2.56 en ajuste manual/MCNL
y 2.49 para AED), no obstante el método de mínimos cuadrados por sí mismo no
tendría estos resultados debido a que cuando el número de parámetros a estimar
es mayor a 10, el método de mínimos cuadrados no lineales sufre un problema de
sobreparametrización,
Cuadro 14. Resultados de la estimación de parámetros por el método mixto (ajuste

manual y mínimos cuadrados no lineales) y por algoritmos de evolución diferencial
Valor Límite Límite Estimación Estimación

Parámetro Unidades
inicial1 inferior1 superior1 m.c.n.l.2 A.E.D.3
Yfa 0.060 0.004 0.060 0.030 0.050 kgDQO·kgDQO-1
Yc4 0.060 0.026 0.079 0.070 0.080 kgDQO·kgDQO-1
Ypro 0.050 0.019 0.089 0.080 0.060 kgDQO·kgDQO-1
Yac 0.050 0.014 0.076 0.050 0.010 kgDQO·kgDQO-1
Yh2 0.060 0.014 0.183 0.180 0.090 kgDQO·kgDQO-1
kdis 0.500 0.240 1.000 0.620 1.000 d-1
khyd,ch 10.000 0.041 106.000 10.070 23.810 d-1
khyd,pr 10.000 9.6x10-4 2.700 1.350 2.700 d-1
khyd,li 10.000 9.6x10-4 0.400 0.200 0.380 d-1
km,su 70.000 27.000 5067.000 37.910 5067.000 kgDQO·kgDQO-1·d-1
KS,su 1.000 0.022 1.280 0.530 0.080 kgDQO·m-3
Ysu 0.100 0.010 0.170 0.100 0.020 kgDQO·kgDQO-1
km,aa 70.000 27.000 107.000 27.500 107.000 kgDQO·kgDQO-1·d-1
KS,aa 0.300 0.050 1.198 1.000 0.050 kgDQO·m-3
Yaa 0.080 0.058 0.150 0.090 0.060 kgDQO·kgDQO-1
km,fa 10.000 1.600 363.000 6.080 363.000 kgDQO·kgDQO-1·d-1
KS,fa 0.400 0.058 9.210 4.650 9.210 kgDQO·m-3
km,c4 30.000 5.300 89.000 5.310 5.300 kgDQO·kgDQO-1·d-1
KS,c4 0.400 0.012 0.450 0.450 0.450 kgDQO·m-3
km,pro 20.000 0.160 141.000 4.390 7.150 kgDQO·kgDQO-1·d-1
KS,pro 0.300 0.020 1.146 1.000 1.040 kgDQO·m-3
km,ac 16.000 0.140 52.000 16.000 13.160 kgDQO·kgDQO-1·d-1
KS,ac 0.300 0.011 0.930 0.300 0.410 kgDQO·m-3
km,h2 35.000 1.680 178.000 34.960 70.580 kgDQO·kgDQO-1·d-1
KS,h2 5x10-5 1x10-6 6x10-4 2.79x10-4 4.95x10-4 kgDQO·m-3
km,st4 3.500 0.037 25.000 2.800 4.140 kgDQO·kgDQO-1·d-1
KS,st4 0.300 5x10-4 0.300 0.100 0.280 kgDQO·m-3
Yst5 0.080 1x10-4 1.000 0.070 0.080 kgDQO·kgDQO-1
Suma de cuadrados del error 2.56374 2.4896
1
Tomados de Batstone et al. (2002b)
2
Ajuste manual y mínimos cuadrados no lineales (m.c.n.l.).
3
Ajuste por algoritmos de evolución diferencial (A.E.D).
4
Calculados de Dwyer et al. (1988)
5
Calculados de Beaty y McInerney (1989)
El procedimiento mixto de ajuste manual y mínimos cuadrados no lineales tiene la

desventaja de la sobreparametrización en los mínimos cuadrados no lineales
(Makowski et al., 2006) y el ajuste manual siempre va a presentar un elemento
49
subjetivo que va a depender de quien realice la calibración por lo que la

replicación de resultados puede resultar difícil.
Las salidas del modelo son muy similares en ambos casos como puede apreciarse
en la Figura 8. La mejoría respecto a las simulaciones mostradas anteriormente
(Figura 7) es notoria. Las gráficas de comparación para otras salidas del modelo
se encuentran en el Anexo A2 y en general las cinéticas son muy parecidas.
1.8 1.8
Acético
1.6
a) Método mixto Propiónico 1.6
b) A.E.D.
Acético
Propiónico
Butírico Butírico

-3
-3
1.4 Valérico Valérico
1.4
S_ac S_ac
S_pro S_pro
1.2 S_bu 1.2 S_bu
S_va S_va
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2
0.2
0.0
0.0
0 20 40 60 80
0 20 40 60 80
Tiempo [días]
Tiempo [días]
Figura 8. Comparación del método de estimación de parámetros en las salidas del

modelo: a) Método mixto (ajuste manual combinado con mínimos cuadrados no
lineales), b) algoritmos de evolución diferencial.
Las cinéticas representan, en buena manera, el comportamiento tanto del acetato
como del propionato aunque hacia el final del proceso se aprecia una
subestimación del modelo en la salida de acetato y una ligera sobreestimación en
el caso del propionato.
En cuanto a la composición del biogás (Anexo A2), el modelo sobreestima la

concentración de CO2, por otro lado el ajuste es bueno en la concentración del
metano, aunque en ambos casos se presenta un pico al inicio de la simulación
estabilizándose hasta el día 15, este tipo de comportamiento "anormales" se
aprecia en la mayoría de las salidas del modelo en la simulación de los primeros
días, debido quizás a un "autoajuste" del modelo con respecto a las condiciones
iniciales propuestas.
Como se puede apreciar en el Anexo A2, el valor de pH es subestimado en

general por el modelo. Fezzani y Cheikh (2009) mencionan que las discrepancias
en este valor pueden deberse a errores acumulativos en la estimación inicial de
las concentraciones de aniones y cationes. Por otro lado, también puede deberse
a la falta de datos de alcalinidad en el digestor, el cual está directamente
relacionado con la concentración de cationes del modelo.
El comportamiento de la biomasa presenta algunas diferencias en ambos métodos

de calibración del modelo, las más importantes se presentan en los degradadores
50
de monosacáridos (Xsu) y en las arqueas hidrogenotróficas (Xh2). Utilizando A.E.D.

el modelo predice una reducción importante en la concentración de X su y una
mayor concentración de Xh2 que utilizando el otro procedimiento. El crecimiento
nulo de metanogénicos acetoclásticos (Xac) comprueba que el proceso se ha
suprimido del modelo.
En resumen, para la estimación de parámetros cinéticos del ADM1 en un sistema

continuo, los algoritmos de evolución diferencial arrojan resultados similares a la
estimación por mínimos cuadrados no lineales combinado con una técnica de
ajuste manual. El tiempo invertido en la implementación del A.E.D. y el tiempo que
dura el ajuste para 500 generaciones es aún menor que el invertido con mínimos
cuadrados/ajuste manual, por lo cual el usó de los algoritmos de evolución
diferencial puede usarse confiablemente en la estimación de parámetros del
ADM1 en un sistema continuo alimentado por un solo sustrato (pollinaza).
5.2.3 SIMULACIÓN DEL PROCESO EN SEMI-CONTINUO

En oposición al cultivo en lote "cerrado", un cultivo continuo es un sistema
típicamente "abierto" en el cual se provee continuamente de nutrientes a un cultivo
y el volumen se mantiene generalmente constante por una remoción continua de
cultivo líquido a la misma velocidad a la cual el medio es alimentado, suele usarse
estudios de microorganismos bajo condiciones controladas de crecimiento
(Gottschal, 1992). Sin embargo, el control de todas las condiciones a escalas más
grandes se dificulta y un sistema en semicontinuo parece una opción adecuada si
el fin es la obtención de algún producto más que el estudió fisiológico o
microbiológico.
Inicialmente, el modelo se implementó como un sistema continúo por la facilidad

en el manejo de datos que representa un flujo constante: la matriz de entrada es
relativamente pequeña, el número de cálculos es menor y por tanto el tiempo que
tarda en ejecutarse la simulación es menor, no obstante este sistema de digestión
anaeróbica real es semicontinuo por lo que la implementación del modelo en
semicontinuo podría arrojar resultados más cercanos a las condiciones reales.
La principal diferencia entre la implementación en continuo y en semicontinuo se

encuentra en la matriz de alimentación, el flujo de entrada (qin) en el Cuadro 12 se
modifica por 0.296 m3·d-1 (666 mL/194 s). Antes y después del vector que contiene
los valores de alimentación se agregan vectores renglones con ceros que
indicaran que en el periodo entre alimentación del sistema no se agrega sustrato
al sistema. La vista general de la matriz de alimentación se muestra en el Cuadro
15. Los demás valores son los mismos que se reportan en el Cuadro 12.
Se usaron ambos métodos de optimización de parámetros para el sistema

semicontinuo, sin embargo en el caso de los algoritmos de evolución diferencial el
método se fijó a 100 generaciones por cuestiones de tiempo de cálculo (Cuadro
16), un ajuste a 100 generaciones dura 303.3 minutos usando una computadora
51
con procesador "Pentium (R) Dual-Core CPU 2.80 GHz" y 6 GB de memoria RAM,
usando el mismo procesador, para un ajuste por mínimos cuadrados no lineales
(sin considerar ajuste manual), el tiempo de cálculo es de 19.3 minutos.
Cuadro 15. Vista general de la matriz de alimentación para la simulación de un

sistema semicontinuo
Tiempo u0 u1 u2 *** u24 u25 u27 u26

Amino Flujo
Días Monosac. AGCL *** Cationes Aniones Sintróficos
ácidos (m3·d-1)
Ssu Saa Sfa *** Scat+ San- Xst qliq
0.0000 0.0000 0.0000 0.0000 *** 0.0000 0.0000 0.0000 0.0000
0.0011 0.8003 0.0000 0.0000 *** 0.0500 0.1054 0.0000 0.2966
0.0022 0.0000 0.0000 0.0000 *** 0.0000 0.0000 0.0000 0.0000
0.9989 0.0000 0.0000 0.0000 *** 0.0000 0.0000 0.0000 0.0000
1.0000 0.8003 0.0000 0.0000 *** 0.0500 0.1054 0.0000 0.2966
* * * * * * * * *
* * * * * * * * *
* * * * * * * * *
89.9989 0.0000 0.0000 0.0000 *** 0.0000 0.0000 0.0000 0.0000
90.0000 0.8003 0.0000 0.0000 *** 0.0500 0.1054 0.0000 0.2966
90.0011 0.0000 0.0000 0.0000 *** 0.0000 0.0000 0.0000 0.0000
El tiempo invertido para este procedimiento nos permite, por cuestiones de tiempo,
utilizar no más de 100 generaciones para el algoritmo. Un resumen del ajuste de
parámetros tanto por algoritmos de evolución diferencial como por mínimos
cuadrados no lineales se muestra en el Cuadro 17.
Cuadro 16. Tiempo de cómputo para el ajuste de parámetros por AED en sistema
semicontinuo utilizando distintos números de generaciones.
Número de Suma de Funciones Tiempo

generaciones cuadrados evaluadas CPU (s)
10 163.08 660 1511.58
20 141.1 1260 2908.7
50 99.58 3060 9852.46
100 63.36 6060 18222.02
El método de AED resultó, en la mayoría de los casos, en una mejor aproximación

a los datos experimentales que el ajuste manual con mínimos cuadrados no
lineales. En el caso de los ácidos grasos volátiles tanto la simulación de ácido
acético (Figura 9) como de ácido valérico fue mejor con algoritmos de evolución
diferencial. Las cinéticas en el caso AED muestran una disminución gradual de la
concentración de los AGV´s, por otro lado las cinéticas ajustadas por mínimos
cuadrados presentan una repentina disminución de los AGV´s y una posterior
acumulación hasta los niveles cercanos a los valores experimentales (Anexo A3).
52
Cuadro 17. Resumen del ajuste de parámetros para un sistema en semicontinuo
Valor Límite Límite Estimación Estimación

Parámetro Unidades
inicial inferior superior m.c.n.l.1 A.E.D.2
Yfa 0.060 0.004 0.060 0.030 0.050 kgDQO·kgDQO-1
Yc4 0.060 0.026 0.079 0.070 0.080 kgDQO·kgDQO-1
Ypro 0.050 0.019 0.089 0.080 0.060 kgDQO·kgDQO-1
Yac 0.050 0.014 0.076 0.050 0.010 kgDQO·kgDQO-1
Yh2 0.060 0.014 0.183 0.180 0.090 kgDQO·kgDQO-1
kdis 0.500 0.240 1.000 0.620 1.000 d-1
khyd,ch 10.000 0.041 106.000 10.070 23.810 d-1
khyd,pr 10.000 9.6x10-4 2.700 1.350 2.700 d-1
-4
khyd,li 10.000 9.6x10 0.400 0.200 0.380 d-1
km,su 70.000 27.000 5067.000 37.910 5067.000 kgDQO·kgDQO-1·d-1
KS,su 1.000 0.022 1.280 0.530 0.080 kgDQO·m-3
Ysu 0.100 0.010 0.170 0.100 0.020 kgDQO·kgDQO-1
km,aa 70.000 27.000 107.000 27.500 107.000 kgDQO·kgDQO-1·d-1
KS,aa 0.300 0.050 1.198 1.000 0.050 kgDQO·m-3
Yaa 0.080 0.058 0.150 0.090 0.060 kgDQO·kgDQO-1
km,fa 10.000 1.600 363.000 6.080 363.000 kgDQO·kgDQO-1·d-1
KS,fa 0.400 0.058 9.210 4.650 9.210 kgDQO·m-3
km,c4 30.000 5.300 89.000 5.310 5.300 kgDQO·kgDQO-1·d-1
KS,c4 0.400 0.012 0.450 0.450 0.450 kgDQO·m-3
km,pro 20.000 0.160 141.000 4.390 7.150 kgDQO·kgDQO-1·d-1
KS,pro 0.300 0.020 1.146 1.000 1.040 kgDQO·m-3
km,ac 16.000 0.140 52.000 16.000 13.160 kgDQO·kgDQO-1·d-1
KS,ac 0.300 0.011 0.930 0.300 0.410 kgDQO·m-3
km,h2 35.000 1.680 178.000 34.960 70.580 kgDQO·kgDQO-1·d-1
KS,h2 5x10-5 1x10-6 6x10-4 2.79x10-4 4.95x10-4 kgDQO·m-3
km,st 3.500 0.037 25.000 2.800 4.140 kgDQO·kgDQO-1·d-1
-4
KS,st 0.300 5x10 0.300 0.100 0.280 kgDQO·m-3
Yst 0.080 1x10-4 1.000 0.070 0.080 kgDQO·kgDQO-1
Suma de cuadrados del error 83.9742 63.3592
1
Estimación por mínimos cuadrados no lineales/"Ensayo y error"
2
Estimación por algoritmos de evolución diferencial a 100 generaciones.
Los valores de km,st y km,c4, parámetros asociados a la velocidad de consumo de

acetato y valerato respectivamente, son mucho mayores en el ajuste por AED pero
la velocidad de degradación es menor lo cual puede explicarse si asumimos que el
modelo suministra continuamente los sustratos necesarios, lo cual también
explicaría los altos valores de km,su, km,aa, km,fa y khyd,ch. Para el ajuste manual y
mínimos cuadrados no lineales, al ser menores los valores de los parámetros, la
velocidad de consumo de acetato y valerato supera a su velocidad de producción,
esto resulta en una rápida disminución de la concentración de acetato y solo hasta
que las concentraciones de biomasa microbiana se estabilizan comienza la
recuperación Figura 9.
53
1.2
Ácido acético
S_ac-AED
1.0
S_ac-mcnl
Concentración [kgDQO·m ]
-3
0.8
0.6
0.4
0.2
0.0
0 20 40 60 80
Tiempo [días]
Figura 9. Efecto del método de estimación de parámetros sobre la salida de ácido
acético del modelo (AED: algoritmos de evolución diferencial, mcnl: ajuste manual
y mínimos cuadrados no lineales)
A pesar de lo anterior, el ajuste por AED predice una mayor concentración de
hidrógeno que el ajuste por mínimos cuadrados, lo cual puede explicarse tanto por
el valor de km,h2 que es mucho menor en AED que en mínimos cuadrados (Cuadro
17), este fue el único caso donde la estimación por mínimos cuadrados no lineales
resultó mejor que los algoritmos de evolución diferencial, la concentración de
metano no presentó diferencias respecto al método de ajuste.
Dada la complejidad que involucra la simulación de un sistema en semicontinuo y

el mejor ajuste de los sistemas en continuo, además los algoritmos de evolución
diferencial resultaron ser un método de estimación más eficaz que el método mixto
que involucra ajuste manual y mínimos cuadrados no lineales en términos de un
menor tiempo de cálculo y menor suma de cuadrados del error, los posteriores
análisis se harán sobre un sistema en continuo utilizando algoritmos de evolución
diferencial como método de estimación de parámetros.
5.3 DESEMPEÑO DEL PROCESO DE CO-DIGESTIÓN POLLINAZA-

VINAZA
El modelo se volvió a adecuar para un proceso de co-digestión pollinaza-vinaza,
para ello, un digestor de laboratorio se alimentó inicialmente con pollinaza durante
30 días, después de este periodo se empezó a alimentar con una mezcla
pollinaza-vinaza en proporción 80-20 durante otros 30 días, posterior a ellos un
nuevo cambio en la composición del sustrato se modificó, ahora a una proporción
60-40 pollinaza-vinaza.
Anteriormente se mencionó la composición de la pollinaza (Cuadro 9), ahora en el

Cuadro 18 se muestra la composición química de la vinaza usada en los
experimentos.
54
Cuadro 18. Composición química de la vinaza usada en los experimentos
PESO EN g/100 g
COMPONENTE
VINAZA
Humedad 84.17
Materia Seca 15.83
Hemicelulosa 0.47
Lignina -
Proteína cruda 4.92
Grasa cruda 5.04
Almidón 0.06
Carbohidratos solubles 0.95
Ácido acético 1.01
Ácido propiónico 0.43
Ácido iso-butírico 1.35
Ácido butírico 0.23
Ácido láctico 6.03
La cantidad de pollinaza y vinaza usadas para cada mezcla de sustrato se

presentan en el Cuadro 19, recordando que las proporciones de cada sustrato
individual están calculadas en base a los sólidos totales y no a la masa de cada
compuesto.
Cuadro 19. Caracterización química del sustrato y co-sustrato preparado
VOLUMEN % CONC. CONC.

D.Q.O. GALLINAZA VINAZA
DÍAS ALIM SÓLIDOS GALLINAZA VINAZA
(kg·m-3) kg·d-1 kg·d-1
(L·d-1) TOTALES kg·m-3 kg·m-3
0-30 24.7 0.666 2.2 0.021 - 32.0 -
31-60 22.7 0.666 2.2 0.017 0.054 25.6 80.65
61-90 25.7 0.666 2.2 0.013 0.107 19.2 161.31
Batstone et al. (2002a) recomienda que cuando la concentración de lactato sea

baja el ácido láctico puede distribuirse entre los demás ácidos sin mayores efectos
sobre las cinéticas del modelo. Sin embargo, la concentración del ácido láctico en
la vinaza es alta y no considerarlo en el modelo podría conducir a errores
importantes en las salidas del modelo. Por esta razón, en el siguiente capítulo se
describe la modificación del modelo para la inclusión del proceso de degradación
del lactato y la calibración del modelo incluye las constantes cinéticas relacionadas
con el lactato.
55
Cuadro 20. Propiedades de la vinaza tomadas de la literatura
PARÁMETRO VALOR OBSERVACIONES

Sólidos totales (%) 15.8 % (Kaparaju et al., 2009)
Amoníaco 0.73 kg·m-3 (Kaparaju et al., 2009)
Sólidos totales (%) 36.63 % (Agler et al., 2008)
Alcalinidad (kmol·m-3) 0.084 kmol·m-3 (Agler et al., 2008)
5.3.1 SIMULACIÓN DE LA DEGRADACIÓN DEL LACTATO

La concentración de ácido láctico en la vinaza es elevada, sin embargo en el
digestor su presencia es nula o mínima, los resultados del perfil de ácidos grasos
volátiles no permiten monitorear el ácido láctico a lo largo del proceso, por ello se
puede considerar que el ácido láctico no se produce como intermediario
metabólico y solamente se consume aquel que entra al sistema a través de la
alimentación.
Para calcular la matriz de alimentación se consideró la cantidad de cada

componente que se aporta por cada sustrato (pollinaza o vinaza) en función de la
concentración de cada uno de ellos en la mezcla de alimentación. Los valores
finales de cada componente en cada mezcla se presentan en el Cuadro 21, se
incluye el valor correspondiente para el ácido láctico y degradadores de lactato.
Para el cálculo de los cationes (Scat+) y aniones (San-) se consideraron los iones
aportados por el lactato (Slac-) dividiendo su concentración (en kgDQO·m-3) entre el
valor de 96 kgDQO·kmol-1 para obtener la concentración molar de los iones de
lactato.
Las condiciones iniciales para el modelo fueron calculadas usando los datos del
digestor al inicio del proceso de digestión. Los resultados finales de las
condiciones finales se presentan en el Cuadro 22.
Para el ajuste de parámetros, se usó la técnica de algoritmos de evolución

diferencial, los parámetros a estimar fueron los mismos que se estimaron para la
oxidación del acetato adicionando los parámetros de km,lac, Ks,lac y Ylac para un total
de 31 "variables" a optimizar, una probabilidad de cruzamiento de 0.2, factor de
variación diferencial de 0.9, tamaño de población de 100 y 2000 generaciones. Los
valores finales del ajuste de parámetros se muestran en el Cuadro 23.
Los valores iniciales para los parámetros km,lac, Ks,lac y Ylac se tomaron de Batstone
et al. (2000b), los límites superior e inferior para km,lac y Ks,lac fueron propuestos
arbitrariamente en 100 y 0.0001 para ambas variables, en el caso de Ylac los
limites se fijaron en 1 y 0. Los valores ajustados coinciden con los valores límite en
cada caso, esto debido muy probablemente a la falta de datos de lactato con los
cuales comparar, este ajuste provocó un lavado en los degradadores de lactato y
la acumulación de lactato. Es posible que estos valores ajustados no sean los más
56
adecuados para el proceso, el cambio de la concentración de los compuestos en

el sustrato representa un factor a considerar para el ajuste de los parámetros.
Cuadro 21. Determinación de la matriz de alimentación del modelo de co-digestión

pollinaza-vinaza
80% pollinaza - 20 % 60% pollinaza - 40 %

100% pollinaza
Estado vinaza vinaza
Día 0-30 Día 30-60 Día 60-90
Ssu 0.800260 kgDQO·m-3 0.928685 kgDQO·m-3 1.057110 kgDQO·m-3
Saa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sfa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sva 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sbu 0.029067 kgDQO·m-3 0.873016 kgDQO·m-3 1.673642 kgDQO·m-3
Slac 0.174450 kgDQO·m-3 1.965603 kgDQO·m-3 3.756756 kgDQO·m-3
Spro 0.015260 kgDQO·m-3 0.194994 kgDQO·m-3 0.374729 kgDQO·m-3
Sac 0.227215 kgDQO·m-3 0.486874 kgDQO·m-3 0.746533 kgDQO·m-3
Sh2 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Sch4 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
SIC 0.050052 kmol-C·m-3 0.040897 kmol-C·m-3 0.030717 kmol-C·m-3
SIN 0.004492 kmol-N·m-3 0.004757 kmol-N·m-3 0.002832 kmol-N·m-3
SI 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
XC 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xch 6.711165 kgDQO·m-3 5.529463 kgDQO·m-3 4.347761 kgDQO·m-3
Xpr 7.663232 kgDQO·m-3 8.296373 kgDQO·m-3 8.929514 kgDQO·m-3
Xli 1.441829 kgDQO·m-3 5.266880 kgDQO·m-3 9.091930 kgDQO·m-3
Xsu 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xaa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xfa 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xc4 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xpro 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xac 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xh2 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
XI 7.753824 kgDQO·m-3 7.200698 kgDQO·m-3 6.187479 kgDQO·m-3
Scat+ 0.105451 M 0.026859 M 0.034483 M
San- 0.050044 M 0.014972 M 0.016012 M
Xst 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
Xlac 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3 0.000000 kgDQO·m-3
qliq 0.000666 m3·d-1 0.000666 m3·d-1 0.000666 m3·d-1
57
Cuadro 22. Condiciones iniciales para el modelo
Valor
Estado Valor inicial Unidad Estado Unidad
inicial
Ssu 0.0148 kgDQO·m-3 Xc4 0.0700 kgDQO·m-3
Saa 0.0418 kgDQO·m-3 Xpro 0.0400 kgDQO·m-3
Sfa 0.3321 kgDQO·m-3 Xac 0.0000 kgDQO·m-3
Sva 0.3761 kgDQO·m-3 Xh2 2.0683 kgDQO·m-3
Sbu 0.4092 kgDQO·m-3 XI 6.0957 kgDQO·m-3
Slac 1.00x10-6 kgDQO·m-3 Scat+ 0.4795 kmol·m-3
Spro 1.2795 kgDQO·m-3 San- 0.2172 kmol·m-3
Sac 1.3929 kgDQO·m-3 Xst 0.2859 kgDQO·m-3
Sh2 1.18x10-6 kgDQO·m-3 Xlac 0.2859 kgDQO·m-3
Sch4 0.0399 kgDQO·m-3 Sva- 0.3733 kgDQO·m-3
SIC 0.2405 kmol·m-3 Sbu- 0.4064 kgDQO·m-3
SIN 0.1179 kmol·m-3 Slac- 9.99x10-7 kgDQO·m-3
Xfa 0.0766 kgDQO·m-3
La simulación de los ácidos orgánicos pretende seguir la tendencia de los datos

experimentales, sin embargo en el caso del valerato y butirato, las cinéticas
sobreestiman a los datos experimentales hacia el final del proceso. Los resultados
correspondientes al acetato presentan un ajuste aceptable a los datos
experimentales mientras que la simulación del propionato muestra un buen ajuste
durante los primeros 30 días de la simulación (correspondientes a la alimentación
con 100% pollinaza) pero una vez que la co-digestion comienza, el modelo
muestra una sobreestimación de los valores experimentales aunque la tendencia
con respecto a los datos experimentales es la misma (Anexo A4).
Estos resultados pueden sugerir que en algunos casos, el cambio en el tipo de

alimentación puede llevar consigo un cambio en el valor de los parámetros
cinéticos, lo que se traduce en el cambio de especies microbianas o de la
diversidad microbiana. Diversos autores coinciden en que un sistema anaeróbico
puede adaptarse ante un impulso externo como la adición de ácido (Palatsi et al.,
2010) o una sobrecarga en la alimentación (Schoen et al., 2009) dependiendo de
la sensibilidad de los microorganismos y su resistencia individual a los factores
estresantes. En otros casos se puede dar la inhibición del microorganismo y del
proceso (Chen et al., 2008; Sung y Liu, 2003), pero en otros casos, las
condiciones adversas propician el desarrollo de otros microorganismos debido a la
inhibición de sus competidores (Ramírez et al., 2009).
58
Cuadro 23. Resultados del ajuste de parámetros para el sistema en co-digestión
Límite Límite
Parámetro Valor inicial Valor ajustado Unidades
inferior superior
Yfa 0.06 0.004 0.060 0.004 kgDQO·kgDQO-1
Yc4 0.06 0.026 0.079 0.068 kgDQO·kgDQO-1
Ypro 0.05 0.019 0.089 0.055 kgDQO·kgDQO-1
Yac 0.05 0.014 0.076 0.051 kgDQO·kgDQO-1
Yh2 0.06 0.014 0.183 0.139 kgDQO·kgDQO-1
kdis 0.5 0.240 1.000 0.966 d-1
khyd,ch 10 0.041 106.000 106 d-1
khyd,pr 10 9.6x10-4 2.700 2.248 d-1
khyd,li 10 9.6x10-4 0.400 0.234 d-1
km,su 70 27.000 5067.000 27 kgDQO·kgDQO-1·d-1
KS,su 1 0.022 1.280 0.022 kgDQO·m-3
Ysu 0.1 0.010 0.170 0.17 kgDQO·kgDQO-1
km,aa 70 27.000 107.000 107 kgDQO·kgDQO-1·d-1
KS,aa 0.3 0.050 1.198 1.198 kgDQO·m-3
Yaa 0.08 0.058 0.150 0.058 kgDQO·kgDQO-1
km,fa 10 1.600 363.000 1.6 kgDQO·kgDQO-1·d-1
KS,fa 0.4 0.058 9.210 0.058 kgDQO·m-3
km,c4 30 5.300 89.000 5.3 kgDQO·kgDQO-1·d-1
KS,c4 0.4 0.012 0.450 0.419 kgDQO·m-3
km,pro 20 0.160 141.000 4.574 kgDQO·kgDQO-1·d-1
KS,pro 0.3 0.020 1.146 0.561 kgDQO·m-3
km,ac 16 0.140 52.000 30.853 kgDQO·kgDQO-1·d-1
KS,ac 0.3 0.011 0.930 0.434 kgDQO·m-3
km,h2 35 1.680 178.000 92.23 kgDQO·kgDQO-1·d-1
-5 -6 -4
KS,h2 5x10 1x10 6x10 6x10-4 kgDQO·m-3
km,st 3.5 0.037 25.000 2.712 kgDQO·kgDQO-1·d-1
-4
KS,st 0.3 5x10 0.300 0.278 kgDQO·m-3
Yst 0.08 1x10-4 1.000 0.091 kgDQO·kgDQO-1
-4
Ylac 0.08 1x10 1.000 1x10-4 kgDQO·kgDQO-1
km,lac 3.8 1x10-4 100.000 100 kgDQO·kgDQO-1·d-1
-4
KS,lac 1.14 1x10 100.000 1x10-4 kgDQO·m-3
Suma de cuadrados del error 5.3339
En cuanto a la biomasa microbiana, la concentración de degradadores de

propionato (Xpro) se mantienen casi constantes durante todo el proceso. Este
comportamiento de Xpro aunado al incremento de ácido propiónico en el sustrato
podría explicar el incremento del propionato por acción del cambio en la
composición del sustrato.
Los resultados anteriores coinciden en que un mejor ajuste del modelo es

necesario, poniendo mayor énfasis en aquellos componentes relacionados con el
lactato, el propionato y butirato. Estos cambios en la composición del sustrato
59
pueden causar cambios en la composición microbiana, modificando así los valores

de las constantes cinéticas de algunos microorganismos en el modelo lo que
justifica la variación de estos parámetros a lo largo del proceso.
5.3.2 EFECTO DE LOS COMPONENTES DEL SUSTRATO SOBRE LAS CONSTANTES

CINÉTICAS
Sherma (2010) encontró que el cambio de la composición del sustrato tiene

efectos sobre la comunidad microbiana, en el caso de las arqueas metanogénicas
la abundancia relativa cambia de tener solamente Methanothermobacter wolfeii en
el día 30 (alimentación con pollinaza) a tener Methanoculleus thermophilus en
mayor proporción (54.5 %) y Methanothermobacter wolfeii en un 38.6 %, el resto
se compone de una arquea "no cultivada" al final del experimento. Estas arqueas
han sido reportadas previamente en la literatura como metanógenas
hidrogenotróficas (Krause et al., 2008; Schmitz et al., 1992).
Con respecto a la composición bacteriana, el cambio en la composición del

sustrato tiene un efecto importante sobre algunos phyla, en el caso de
Tenericutes, Proteobacteria gamma y Thermotogae su proporción aumentó al final
del día 90 en comparación al día 30 (Sherma, 2010).
Thermotoga cataboliza azúcares y polímeros (Madigan et al., 2004) es posible que

su aumento pueda deberse al incremento de la concentración de lactato en el
sustrato. El crecimiento de Syntrophobacter wolinii mejora durante la estabilización
de la co-digestión con Methanobacteriaceae, debido a que estos metanogenos
hidrogenotróficos alientan la oxidación sintrófica de propionato (McMahon et al.,
2001), por lo tanto podría suponerse que el incremento en la proporción de este
phylum se debe al incremento en la concentración de propionato en el digestor. La
gammaproteobacteria Thiomicrospira se ha reportado como un organismos
oxidante del azufre (Cytryn et al., 2005) y aunque no se ha considerado la
oxidación del azufre en este modelo, podría ser posible la presencia de
organismos relacionados aunque para fines prácticos, estos se consideran nulos
en el modelo.
El nivel de identificación microbiana alcanzado en el trabajo de Sherma (2010) no

permite distinguir si el incremento en la abundancia relativa de los phyla se debe al
crecimiento de una misma especie de microorganismo o al crecimiento de
especies diferentes pertenecientes al mismo phylum, sin embargo dadas las
características del sustrato, suena lógico suponer que el incremento en la
abundancia se deba al crecimiento de distintas especies.
Bajo esta perspectiva, el crecimiento de una especie de microorganismo ante la

inhibición de otros por efecto de un factor estresante externo implica un cambio en
las constantes cinéticas asociadas a un proceso determinado (Ramírez et al.,
2009), para adaptar el modelo a esta situación el modelo se adaptó para utilizar
valores distintos de los parámetros en función del tiempo, básicamente usar de
dos a tres bloques de valores distintos, uno para cada fase de alimentación del
60
digestor, así se obtuvieron parámetros para los primeros 30 días (alimentados con
pollinaza 100 %), otro bloque de parámetros para la alimentación con pollinaza
vinaza (80-20) y un bloque final para la alimentación con 40% de vinaza.
El ajuste y estimación de parámetros se realizó utilizando los valores

experimentales correspondientes periodo de alimentación, se utilizaron algoritmos
de evolución diferencial, probabilidad de cruzamiento de 0.2, factor de variación
diferencial de 0.9, tamaño de población de 100 y 2000 generaciones en cada
caso. Los parámetros finales en cada etapa se muestran en el Cuadro 24.
Cuadro 24. Valores de los parámetros cinéticos para cada etapa de alimentación
del digestor
Valor 20 % Valor 40 %
Valor 100 %
Parámetro vinaza-80% vinaza-60 % Unidades
pollinaza
pollinaza pollinaza
Yfa 0.060 0.06 0.06 kgDQO·kgDQO-1
Yc4 0.067 0.063 0.026 kgDQO·kgDQO-1
Ypro 0.089 0.089 0.052 kgDQO·kgDQO-1
Yac 0.029 0.014 0.014 kgDQO·kgDQO-1
Yh2 0.123 0.121 0.154 kgDQO·kgDQO-1
kdis 1.000 1.000 0.990 d-1
khyd,ch 5.081 98.773 78.640 d-1
khyd,pr 0.995 2.408 1.048 d-1
khyd,li 0.400 0.400 0.400 d-1
km,su 27.000 27.000 27.000 kgDQO·kgDQO-1·d-1
KS,su 0.081 0.022 0.148 kgDQO·m-3
Ysu 0.062 0.170 0.010 kgDQO·kgDQO-1
km,aa 41.783 54.281 27.000 kgDQO·kgDQO-1·d-1
KS,aa 1.198 1.198 0.823 kgDQO·m-3
Yaa 0.058 0.058 0.084 kgDQO·kgDQO-1
km,fa 197.175 256.567 256.567 kgDQO·kgDQO-1·d-1
KS,fa 7.929 9.210 7.457 kgDQO·m-3
km,c4 5.300 14.244 45.960 kgDQO·kgDQO-1·d-1
KS,c4 0.442 0.298 0.450 kgDQO·m-3
km,pro 4.770 13.253 38.132 kgDQO·kgDQO-1·d-1
KS,pro 1.146 0.183 1.125 kgDQO·m-3
km,ac 17.719 35.667 52.000 kgDQO·kgDQO-1·d-1
KS,ac 0.011 0.011 0.011 kgDQO·m-3
km,h2 80.891 6.818 8.776 kgDQO·kgDQO-1·d-1
KS,h2 0.0006 5.90x10-4 0.0006 kgDQO·m-3
km,st 3.164 11.350 19.09 kgDQO·kgDQO-1·d-1
KS,st 0.300 0.300 0.300 kgDQO·m-3
Yst 0.101 0.176 0.063 kgDQO·kgDQO-1
Ylac 0.400 0.401 0.401 kgDQO·kgDQO-1
km,lac 3.800 100.000 100.000 kgDQO·kgDQO-1·d-1
KS,lac 1.140 85.000 85.000 kgDQO·m-3
S.C.E.1 1.4731 0.5613 0.7279
1
. Suma de cuadrados del error.
61
La composición del sustrato modifica las constantes cinéticas, el cambio es más

importante en los degradadores del lactato (Xlac), organismos acetogénicos (Xpro,
Xc4), organismos sintróficos (Xst) y metanogénicos hidrogenotróficos (Xh2), esta
situación puede relacionarse con un cambio en el tipo, o tipos, de
microorganismos involucrados. En el ADM1 el valor de las constantes cinéticas
representan un promedio de la actividad de las especies microbianas involucradas
en el consumo de un sustrato específico suponiendo que todas las especies
presentan las mismas propiedades (Ramírez et al., 2009), así el cambio de las
variables cinéticas puede atribuirse a un cambio en la "especie dominante" bajo
las condiciones impuestas al sistema.
Las diferencias en la concentración de lactato (Slac), butirato (Sbu), propionato

(Spro) y acetato (Sac) en cada sustrato pueden ser la causa de la modificación de
las constantes en cada fase. El incremento en la concentración de estos
compuestos puede verse como un disturbio al medio (Ramírez et al., 2009),
además de que representa un riesgo para el sistema debido a la acumulación de
ácidos orgánicos (Fuentes et al., 2009).
El sistema puede fallar completamente o adaptarse a las nuevas condiciones, esta

situación gira en torno a la capacidad de la comunidad microbiana presente en el
reactor. La adaptación al sistema puede darse en función de la concentración de
microorganismos, donde una mayor cantidad de biomasa microbiana previene que
se afecte el digestor (Schoen et al., 2009). Así la capacidad de adaptación del
sistema viene dada por una mayor o menor concentración de microorganismos.
Otra forma de ver la adaptabilidad del sistema es por el desarrollo de otras

especies que bajo condiciones normales su crecimiento se impide por el
crecimiento de otros microorganismos, su desarrollo frente a un incremento
repentino del sustrato, o incluso ante la carencia de este, se ve favorecido por sus
constantes cinéticas por efecto de un factor "estresante" (Ramírez et al., 2009).
Las condiciones iniciales también se determinaron para cada bloque de

parámetros, así se determinaron condiciones iniciales para los primeros 30 días
(Cuadro 25) y para cada vez que se alimentaba una nueva mezcla de sustrato,
20 % vinaza (Cuadro 26) y 40 % vinaza (Cuadro 27), para estos casos las
condiciones iniciales correspondieron a los valores finales de cada estado del
bloque anterior, es decir las condiciones iniciales para la digestión de pollinaza-
vinaza (80/20) son los resultados finales (día 30) del modelo ejecutado para la
simulación de la digestión de pollinaza 100 %.
62
Cuadro 25. Condiciones iniciales para los primeros 30 días (alimentación 100 %
pollinaza)
Valor Valor
Estado Unidad Estado Unidad
inicial inicial
Slac 1x10-6 kgDQO·m-3 Scat+ 0.4795 kmol·m-3
SIN 0.1179 kmol·m-3 Slac- 9.99x10-7 kgDQO·m-3
Cuadro 26. Condiciones iniciales para los días 30 a 60 (alimentación 80 %

pollinaza y 20 % vinaza)
Estado Valor inicial Unidad Estado Valor inicial Unidad

Slac 0.0641 kgDQO·m-3 Scat+ 0.1083 kmol·m-3
SIN 0.0483 kmol·m-3 Slac- 0.0640 kgDQO·m-3
Xpr 0.4978 kgDQO·m-3 Snh3 6.17x10-4 kmol·m-3
63
Cuadro 27. Condiciones iniciales para los días 60 a 90 (alimentación 60 %

pollinaza y 40 % vinaza)

Ssu 5.40x10-4 kgDQO·m-3 Xc4 0.193230 kgDQO·m-3
Xpr 0.233653 kgDQO·m-3 Snh3 2.28x10-4 kmol·m-3
Las cinéticas de los ácidos grasos volátiles mejoraron de manera importante

utilizando bloques de paramétros, las cinéticas para butirato y valerato mostraron
una cierta mejoría y principalmente en el propionato (Figura 10) cuya simulación
se acerca más a los datos experimentales, a comparación del uso de un solo
bloque de parámetros.
Los parámetros asociados al consumo de butirato y valerato reflejan un cambio en

la composición microbiana de los microorganismos Xc4 (Cuadro 24), la adición de
vinaza al sustrato obliga a la adaptación del sistema incrementando la velocidad
de consumo, en este caso aquellos con un mayor km,c4 comienzan a crecer sobre
los otros que quizás crecen a una velocidad menor o cuyo crecimiento se ve
inhibido por el incremento en la concentración de butirato.
En la última etapa del proceso, con 40% de vinaza en el sustrato, las cinéticas de
los ácidos muestran un decremento importante y abrupto alrededor del día 60
manteniéndose en niveles cercanos a los datos experimentales, por otro lado la
cinética de biomasa Xc4 presenta una disminución lo cual puede atribuirse a una
fase de muerte microbiana o al crecimiento neto de los nuevos degradadores de
propionato y la muerte de los degradadores iniciales (Anexo A5).
Este mismo fenómeno de reducción de la concentración de microorganismos en la

última etapa del proceso se aprecia en los degradadores de monosacáridos y en
los organismos sintróficos oxidantes del acetato aunque la caída de los Xsu parece
64
más asociado a la fase de muerte, común en las cinéticas microbianas (Madigan

et al., 2004), debido a que sus parámetros no cambiaron durante las tres fases del
sistema lo cual indica que el mismo microorganismo se encuentra en todo el
proceso de digestión.
2.5
Acético
Propiónico
-3
2.0 S_ac
S_pro
1.5
1.0
0.5
0.0
0 20 40 60 80
Tiempo [días]
Figura 10. Resultados del modelo para acetato y propionato usando los tres
bloques de parámetros
El valor de km,pro se incrementa considerablemente en cada fase de alimentación
debido tanto al incremento inicial en el sustrato por la adición de la vinaza como
por la degradación del lactato hacia propionato. Los resultados sugieren que en la
alimentación del sustrato con 20 % de vinaza, la comunidad bacteriana debe
adaptarse rápidamente para consumir el exceso de ácido propiónico para evitar
que llegue a niveles "toxicos".
Los degradadores de propionato (Anexo A5) muestran un crecimiento cero

durante la segunda fase del experimento, este comportamiento podría significar el
crecimiento de microorganismos mejor adaptados al consumo de y la inhibición y
muerte de los anteriores degradadores se realizan a velocidades muy parecidas,
esta transición en los microorganismos se refleja en el valor de km,pro para la fase
dos, cuyo valor es intermedio entre los valores para la fase uno y la fase tres
(Cuadro 24), esto nos permite definir dos especies distintas de degradadores de
propionato y no tres distintas, una para cada fase del proceso.
La metodología usada en este caso tiene efecto sobre las salidas

correspondientes a los ácidos grasos volátiles y la biomasa microbiana, sin
embargo el resultado sobre la concentración de metano y el pH no se ve alterado
de manera importante, a excepción de las "perturbaciones" mostradas al inicio de
cada fase del proceso, producto de un "autoajuste" del modelo.
65
5.4 SIMULACIÓN DEL PROCESO DE DIGESTIÓN ANAERÓBICA A

NIVEL PILOTO
El principal objetivo es lograr un modelo que permita describir el proceso de
digestión anaeróbica en el digestor de 40 m 3. Todos los resultados a escala
laboratorio han servido para adecuar el modelo a las condiciones del sistema y
obtener un ajuste adecuado de parámetros debido a un mejor control de las
variables externas. Para el sistema piloto se hicieron las siguientes
consideraciones:
El volumen del digestor se fijó en 27.43 m 3, el volumen real del reactor por día
fluctúo entre 24.26 m3 y 32.68 m3. El espacio de cabeza se fijó en 12.6 m3.
Se consideró un sistema en continuo donde el flujo de alimentación variaba en

función del volumen de alimentación por día de acuerdo a los datos grabados "en
línea", una simulación en semi-continuo representa un trabajo muy laborioso
considerando que el sistema debería alimentarse cada hora, además existen
intervalos de tiempos en los cuales no hay alimentación lo que requeriría una
revisión exhaustiva para determinar los momentos precisos de alimentación y el
tamaño de la matriz de alimentación al modelo sería demasiado grande lo que
incrementaría demasiado el tiempo de simulación y la calibración del modelo.
La simulación del digestor piloto inicia en el día 9 de junio de 2010 debido a que es
el primer día del que se tienen resultados del perfil de ácidos grasos, a partir de
esta fecha el digestor fue alimentado con una suspensión de pollinaza del 7.22 %.
Las condiciones bioquímicas del sustrato en este periodo se muestran en el
Cuadro 28.
En cuanto al efluente, la DQO fue de alrededor de 19.92 kg·m -3, del cual
aproximadamente el 4 % corresponde a DQO de solubles. Los sólidos totales
rondan los 2.4 %, las características completas se muestran en el Cuadro 29.
La producción de biogás en este periodo fue de aproximadamente 32.5 m 3·d-1, con

un contenido de metano en promedio de 56.8 % (Cuadro 30).
Cuadro 28. Características de la alimentación del digestor piloto de los primeros

70 días
Parámetro Máximo Mínimo Promedio

Demanda química de oxígeno [kg·m-3] 111.33 49.13 81.75 ± 18.7
Sólidos totales [%] 9.50 5.40 7.22 ± 1.01
Sólidos volátiles [% de ST] 16.7 7.17 13.2 ± 2.8
Volumen de alimentación [m3·d-1] 1.77 0.045 1.3 ± 0.36
66
Cuadro 29. Características del digestor piloto en los primeros 70 días
Parámetro Máximo Mínimo Promedio

Demanda química de oxígeno [kg·m-3] 42.77 9.16 19.92 ± 5.15
D.Q.O. soluble [kg·m-3] 1.094 0.76 0.916 ± 0.08
Sólidos totales [%] 2.90 2.00 2.4 ± 0.3
Sólidos volátiles [% de ST] 35.3 17.7 27.1 ± 5.6
Ácidos volátiles [kg·m-3] 4.97 1.48 2.82 ± 0.7
Amoníaco [kg·m-3] 2.02 0.90 1.5 ± 0.2
pH [-] 8.22 7.30 7.65 ± 0.15
Cuadro 30. Características del biogás durante los primeros 70 días
Propiedades Máximo Mínimo Promedio

Metano [%] 62.4 52.3 56.8 ± 2.11
Flujo másico de gas [kg·d-1] 61.75 24.14 42.45 ± 12.1
Flujo volumétrico de gas [m3·d-1] 46.6 18.7 32.5 ± 8.87
Estos datos junto con los valores del Cuadro 9 y el Cuadro 11 sirvieron de base
para el cálculo de las condiciones iniciales y de la alimentación del sistema. De la
misma forma que en los modelos anteriores se hicieron algunas consideraciones:
1. En primera se consideró que no hay entrada de biomasa microbiana en la

alimentación del sistema.
2. El flujo de alimentación (qin) corresponde al flujo total por día en la fecha

correspondiente.
3. La composición de la pollinaza se mantiene igual durante los días de la

simulación.
4. El exceso de DQO total se atribuye a los compuestos inertes (XI, SI).
5. La variación en los valores de la matriz de alimentación se debe a la

diferencia en el porcentaje de sólidos totales (%ST) reportados en la fecha
correspondiente, si no hay reporte del %ST se considera el mismo valor del
día anterior.
Con estas consideraciones, una visión general de la matriz de alimentación se

muestra en el Cuadro 31, las condiciones iniciales para el modelo se resumen en
el Cuadro 32, se utilizaron los valores experimentales del día 8 de junio de 2010:
perfil de ácidos grasos, pH, volumen de biogás producido, demanda química de
67
oxígeno, sólidos totales, nitrógeno-amoniaco, porcentaje de metano y flujo de

alimentación.
Cuadro 31. Valores de la matriz de alimentación para la simulación del digestor

piloto
Estado Rango de valores Estado Rango de valores

Ssu 2.29 ± 0.23 kgDQO·m-3 Xpr 21.92 ± 2.20 kgDQO·m-3
Saa 0.00 ± 0.00 kgDQO·m-3 Xli 4.12 ± 0.41 kgDQO·m-3
Sfa 0.00 ± 0.00 kgDQO·m-3 Xsu 0.00 ± 0.00 kgDQO·m-3
Sva 0.00 ± 0.00 kgDQO·m-3 Xaa 0.00 ± 0.00 kgDQO·m-3
Sbu 0.29 ± 0.03 kgDQO·m-3 Xfa 0.00 ± 0.00 kgDQO·m-3
Slac 0.71 ± 0.07 kgDQO·m-3 Xc4 0.00 ± 0.00 kgDQO·m-3
Spro 0.06 ± 0.01 kgDQO·m-3 Xpro 0.00 ± 0.00 kgDQO·m-3
Sac 0.93 ± 0.09 kgDQO·m-3 Xac 0.00 ± 0.00 kgDQO·m-3
Sh2 0.00 ± 0.00 kgDQO·m-3 Xh2 0.00 ± 0.00 kgDQO·m-3
Sch4 0.00 ± 0.00 kgDQO·m-3 XI 3.52 ± 0.35 kgDQO·m-3
SIC 0.14 ± 0.01 kmol-C·m-3 Scat+ 0.30 ± 0.01 M
SIN 0.01 ± 0.00 kmol-N·m-3 San- 0.14 ± 0.01 M
SI 23.33 ± 12.52 kgDQO·m-3 Xst 0.00 ± 0.00 kgDQO·m-3
XC 0.01 ± 0.00 kgDQO·m-3 Xlac 0.00 ± 0.00 kgDQO·m-3
Xch 19.19 ± 1.93 kgDQO·m-3 qliq 1.17 ± 0.41 m3·d-1
Cuadro 32. Condiciones iniciales para la simulación del digestor piloto

68
Para los gases se considera que la concentración de hidrógeno en el biogás se

encuentra alrededor del 0.01% pues es la concentración reportada en la literatura
a la que se pueden desarrollar los microorganismos sintróficos y en especial los
encargados de la oxidación del acetato (Hattori, 2008; Schink, 1997), el porcentaje
de metano se obtiene de datos experimentales y el resto se asigna al dióxido de
carbono.
5.4.1 CALIBRACIÓN DEL MODELO

Para la estimación de parámetros, se usó el modelo que considera tanto la
oxidación del acetato como la degradación del lactato en caso de futuros cambios
en la composición del sustrato.
La estimación de parámetros se realizó por algoritmos de evolución diferencial

(AED), se utilizó una probabilidad de cruzamiento de 0.2, factor de variación
diferencial de 0.9, tamaño de población de 93 y 2000 generaciones. Los
parámetros a estimar fueron los mismos que en el capítulo 5.3. Los resultados
finales de la estimación se muestran en el Cuadro 33.
Los valores iniciales de los parámetros corresponden a los valores ajustados del
modelo de co-digestión mostrados en el Cuadro 23, esta situación se eligió debido
a que estos valores mostraron una buena primera aproximación del modelo a los
datos experimentales.
Se utilizaron los datos de los primeros 42 días a partir del 8 de junio de 2010. Se
usaron solamente estos días debido a que al momento de la calibración del
modelo, solo se tenían los resultados de los perfiles de ácidos grasos volátiles
(acético, valérico, butírico y propiónico) de los primeros 42 días. El tiempo
posterior a estos 42 días se consideraron para la fase de validación.
El modelo presenta una buena aproximación respecto a los datos de ácido

propiónico, en cuanto al ácido acético los resultados de la simulación son
aceptables durante el proceso de digestión, aunque empieza a haber una mayor
variación hacia el final del proceso principalmente después del día 30 (Figura 11a).
En cuanto a la composición del biogás, el modelo presenta un buen ajuste a los

valores experimentales mostrando una ligera sobrestimación del metano, la
representación del dióxido de carbono presenta un mejor ajuste a comparación de
los demás gases (Figura 11b).
La producción de biogás por parte del modelo tiende a sobreestimar los datos
experimentales estas variaciones del modelo pueden ser causadas por las
variaciones en el flujo de alimentación e incluso en la frecuencia del mismo,
además es posible que la concentración de la pollinaza en la alimentación
(representada como porcentaje de sólidos totales) pudiera ser diferente de los
propuestos en el modelo, la falta de estos datos al inicio del proceso de simulación
dificultan la representación adecuada del flujo volumétrico de biogás (Anexo A6).
69
Cuadro 33. Estimación de parámetros para el digestor piloto
Valor Límite Límite Valor

Parámetro Unidades
inicial inferior superior ajustado
Yfa 0.050 0.004 0.060 0.05 kgDQO·kgDQO-1
Yc4 0.080 0.026 0.079 0.026 kgDQO·kgDQO-1
Ypro 0.060 0.019 0.089 0.028 kgDQO·kgDQO-1
Yac 0.010 0.014 0.076 0.014 kgDQO·kgDQO-1
Yh2 0.090 0.014 0.183 0.062 kgDQO·kgDQO-1
kdis 1.000 0.240 1.000 0.998 d-1
khyd,ch 23.810 0.041 106.000 2.514 d-1
khyd,pr 2.700 9.6x10-4 2.700 2.7 d-1
-4
khyd,li 0.380 9.6x10 0.400 0.38 d-1
km,su 70.000 27.000 5067.000 5067 kgDQO·kgDQO-1·d-1
KS,su 0.080 0.022 1.280 1.28 kgDQO·m-3
Ysu 0.020 0.010 0.170 0.02 kgDQO·kgDQO-1
km,aa 70.000 27.000 107.000 27 kgDQO·kgDQO-1·d-1
KS,aa 0.050 0.050 1.198 1.198 kgDQO·m-3
Yaa 0.060 0.058 0.150 0.067 kgDQO·kgDQO-1
km,fa 10.000 1.600 363.000 186.65 kgDQO·kgDQO-1·d-1
KS,fa 0.400 0.058 9.210 3.713 kgDQO·m-3
km,c4 5.300 5.300 89.000 6.8 kgDQO·kgDQO-1·d-1
KS,c4 0.450 0.012 0.450 0.075 kgDQO·m-3
km,pro 7.150 0.160 141.000 24.239 kgDQO·kgDQO-1·d-1
KS,pro 1.040 0.020 1.146 1.146 kgDQO·m-3
km,ac 13.160 0.140 52.000 0.14 kgDQO·kgDQO-1·d-1
KS,ac 0.410 0.011 0.930 0.93 kgDQO·m-3
km,h2 70.580 1.680 178.000 178 kgDQO·kgDQO-1·d-1
KS,h2 4.95x10-4 1x10-6 6x10-4 5.30x10-4 kgDQO·m-3
km,st 4.140 0.037 25.000 2.018 kgDQO·kgDQO-1·d-1
-4
KS,st 0.280 5x10 0.300 0.3 kgDQO·m-3
Yst 0.080 1x10-4 1.000 0.09 kgDQO·kgDQO-1
-4
Ylac 0.080 1x10 1.000 1x10-4 kgDQO·kgDQO-1
km,lac 3.800 1x10-4 100.000 3.8 kgDQO·kgDQO-1·d-1
KS,lac 1.140 1x10-4 100.000 1.14 kgDQO·m-3
Suma de cuadrados del error 8.0237
La simulación de la biomasa microbiana acidogénica no presenta grandes

cambios en función del tiempo, se aprecia un ligero incremento de los
degradadores de aminoácidos (Xaa) y los degradadores de monosacáridos (Xsu) y
ácidos grasos (Xfa) mantienen una concentración "estable" en el sistema, no
obstante los acetogénicos degradadores de propionato (Xpro), butirato y valerato
(Xc4) disminuyen a medida que el tiempo transcurre, debido muy probablemente a
la baja concentración tanto de ácido propiónico, butírico y valérico presentes en el
medio, obsérvese que estos valores son menores a los reportados anteriormente a
nivel laboratorio.
70
2.5
0.6
Acético
a) Propiónico b)
-3
2.0 S_ac 0.5

S_pro
Presión parcial gas [bar]

0.4
1.5
0.3
1.0
Metano
0.2 CO2
H2
0.5 p_gas_ch4
0.1 p_gas_co2
p_gas_h2
0.0 0.0
0 10 20 30 40 0 10 20 30 40
Tiempo [días] Tiempo [días]
Figura 11. Resultados de la simulación de acetato y propionato (a) y de la

composición del biogás (b) en el digestor piloto
El pH de la simulación presenta un buen ajuste a los datos y no presenta los
disturbios iniciales que se apreciaron en los modelos para los digestores de
laboratorio, es muy probable que los datos de volumen de biogás sean los
responsables de este efecto pues al tener estos valores es posible establecer un
estimado de la velocidad trasferencia de cada uno de los gases, además se puede
obtener un buen estimador de la concentración del gas disuelto en el medio
líquido, de esta manera se determina una concentración inicial de Sco2 muy
razonable y de este valor se calcula un estimado de Shco3- que tiene gran efecto
sobre el valor del pH.
Finalmente, la simulación de la demanda química de oxígeno total (DQO total) del

sistema es grandemente sobreestimada por el modelo, se observa una constante
acumulación de esta en la simulación. Esta acumulación se debe en gran parte a
los compuestos inertes (SI y XI) cuyas cinéticas muestran una constante
acumulación en el sistema (datos no mostrados). Mientras tanto, los resultados
experimentales de DQO no contienen gran cantidad de estos compuestos que en
sistema piloto vienen dados por la materia no degradable como el aserrín o trozos
de plumas de la pollinaza, generalmente estos compuestos tienden a
sedimentarse o acumularse en los ductos del sistema generando en muchas
ocasiones el taponamiento de las tuberías y ductos, siendo este uno de los
principales problemas del digestor piloto. Esta materia que queda atrapada en los
ductos muchas de las veces no es considerada en las pruebas químicas de DQO,
esto quizás podría explicar el hecho de que el modelo sobreestime este valor de
manera importante.
5.4.2 VALIDACIÓN DEL MODELO

Para la fase de validación, fue necesario considerar un tiempo más allá de los 42
días. El experimento actual del digestor piloto consiste en evaluar su desempeño
en co-digestión pollinaza-estiércol de vaca, para ello se consideró la alimentación
de 100% de sólidos totales de pollinaza durante los primeros 69 días, al día 70 se
71
inició la alimentación con 20 % de sólidos totales provenientes del estiércol de

vaca y 80 % provenientes de la pollinaza (proporción pollinaza/estiércol de vaca
80/20), al día 106 se cambió nuevamente la composición del sustrato ahora con
una proporción pollinaza-estiércol de vaca 60/40, en todos los esquemas estos
puntos se distinguen por líneas verticales dentro del área de graficado (Anexo A7).
Debido a que al momento de realizar el presente trabajo, aun no se tenía la

composición química del estiércol de vaca, ésta se tomó de la literatura utilizando
los valores reportados en Amon et al. (2007), Güngor-Demirci et al. (2004),
Gilroyed et al. (2010), Cavinato et al. (2010), Lübken et al. (2007), Ahring et al.
(2001) y Liu et al. (2009). Los valores utilizados se muestran en el Cuadro 34.
Cuadro 34. Composición química del estiércol de vaca (valores tomados de la

literatura)
PESO/100 g
COMPONENTE VALOR1 UNIDAD ESTIÉRCOL DE
VACA
Humedad 50 %
Materia Seca2 50 %
Hemicelulosa 14.37 % BS 7.19
Lignina 15.03 % BS 7.52
Proteína cruda 17.62 % BS 8.81
Grasa cruda 4.25 % BS 2.13
Celulosa 19.70 % BS 9.85
CI soluble 2.80 % BS 1.40
N-Amoníaco 2.17 % BS 1.08
Ácidos volátiles totales 13.00 % BS 6.50
Ácido acético 10.05 % BS 5.02
Ácido propiónico 2.05 % BS 1.02
Ácido iso-butírico 0.26 % BS 0.13
Ácido butírico 0.58 % BS 0.29
Ácidovalerico 0.94 % BS 0.47
1
Valores promedio tomados de la literatura
2
Medido previamente del estiércol utilizado
Estos valores proporcionan un estimado razonable de la composición del estiércol

de vaca, conviene señalar el alto contenido de compuestos lignocelulosicos
(celulosa, hemicelulosa y lignina) así como su alto contenido de ácidos grasos
volátiles, especialmente de ácido acético (10 % en base seca). Es posible que
esta alta concentración de acético afecte la composición microbiana mostrando un
efecto similar al que ocurrió en la co-digestión pollinaza-vinaza y es posible que
ocurran cambios en las constantes cinéticas, no obstante la carencia de datos
experimentales para la etapa de co-digestión en el digestor piloto dejan esta
tentativa simplemente como una hipótesis.
72
Después del día 42, las cinéticas experimentan un incremento en la concentración

de los AGV´s aunque este incremento es más notable en valerato, butirato y
acetato. Después del súbito incremento se aprecia un comportamiento de altibajos
en todos los AGV´s, incluso el cambio de la composición del sustrato parece no
tener efecto sobre este comportamiento (Anexo A7).
Una posible explicación de esta situación quizá se deba a la alimentación del

sistema, en los primeros días no hay un flujo de alimentación estable, el flujo se
estabiliza después del día 42, precisamente después del período utilizado para el
ajuste del modelo. El ajuste de parámetros se realizó con los valores de
alimentación de los primeros 42 días, esta variación obviamente tiene
repercusiones en las ecuaciones de balance y en las cinéticas del modelo.
Además la carencia y variabilidad de datos de porcentaje de sólidos totales
reducen la confiabilidad de los parámetros establecidos, eso no significa que el
procedimiento haya estado completamente erróneo y que el modelo sea
completamente inútil. Durante el periodo de co-digestión también se aprecia un
flujo no uniforme entre los días 80 y 95, esto también podría ser causa de los
altibajos observados en las figuras anteriores (Anexo A7).
En cuanto a la composición del biogás (Figura 12a) los resultados del modelo se
encuentran muy cercanos a los valores medidos (recuérdese que se conoce el
%CH4, se asume un 0.01% de H2 y el resto lo compone el CO2). Por otro lado, la
producción de biogás se sobreestima de manera importante por el modelo, esta
sobreestimación es mayor después del periodo inicial usado para el ajuste de
parámetros, resultado quizás de la estabilización del flujo de alimentación en los
días posteriores y a una mayor concentración de sólidos totales en el sustrato
después de este periodo (Anexo A7).
0.6
a) 8.4
b)
0.5 8.2
8.0
Presión parcial gas
0.4
7.8
pH [-]
0.3
7.6
H2
7.4
0.2 CH4
CO2 7.2
H2 simulación Medido
0.1 Simulación
CH4 Simulación 7.0
CO2 Simulación
0.0 6.8
0 20 40 60 80 100 0 20 40 60 80 100
Figura 12. Composición del biogás (a) y valores del pH (b) en el digestor piloto
La simulación del pH también mostró un buen comportamiento y un buen ajuste a
los datos medidos, con algunas excepciones en puntos extremos (Figura 12b), al
respecto se podría hablar de un ligero incremento en el pH por efecto de la
alimentación con co-sustrato, sin embargo este incremento es mínimo y puede
considerarse un pH estable durante este periodo.
73
Finalmente, de la biomasa microbiana se pueden especular algunas cuestiones: el

cambio de alimentación sólo con pollinaza a una alimentación con una mezcla
pollinaza-estiércol de vaca no tiene efecto sobre la diversidad microbiana, aunque
se aprecia incremento mínimo en los degradadores de ácidos grasos de cadena
larga (Xfa), sintróficos oxidantes del acetato (Xst) y metanogénicos
hidrogenotróficos (Xh2).
5.5 DETERMINACIÓN DE INDICADORES DE LA ESTABILIDAD DEL

DIGESTOR
Indicadores de estabilidad propuestos por Schoen (2009) para el proceso de
digestión anaeróbica de la co-digestión pollinaza-vinaza a escala laboratorio y a la
digestión de pollinaza a escala piloto fueron calculados para evaluar posibles
puntos de inestabilidad a lo largo del proceso de degradación.
5.5.1 ESTABILIDAD DEL DIGESTOR LABORATORIO ALIMENTADO CON CO-

SUSTRATO POLLINAZA-VINAZA
De acuerdo a Schoen et al. (2009), los parámetros AGV/Alcalinidad y ACN indican

una eminente falla cuando AGV/Alcalinidad es mayor a 0.9 y ACN es menor a 1
(Schoen et al., 2009). En el digestor de laboratorio, estos valores de inestabilidad
se encuentran al inicio de la simulación, dentro de los primeros 15 días (Figura
13a). Esta situación puede deberse a que el digestor se recuperaba de una falla
previa, anterior al inicio del tiempo de la simulación o bien a que algunas
condiciones iniciales no estuvieron adecuadamente planteadas como podría ser el
caso de la variable2DX st, S
Graph 1 lac
, San- o Scat+. 2D Graph 3
3.0 20 7
a)
AGV/Alcalinidad 6
b) F/Mnet
AGV/Alcalinidad [HAceq/CaCO3eq]
2.5 ACN Fnet/Mnet

15
F/M [kgDQO·kgDQO ·d ]
5
-1
2.0
-1
4
ACN [-]
1.5 10
3
1.0
2
5
0.5 1
0
0.0 0
0 20 40 60 80
0 20 40 60 80
Tiempo [días]
Tiempo [días]
Figura 13. Resultados de la simulación de los indicadores AGV/Alcalinidad y ACN

(a) y de los indicadores F/Mnet y Fnet/Mnet (b).
Sherma (2010) menciona en su trabajo que un nuevo punto de arranque tuvo que
establecerse debido a la inestabilidad del digestor producto del incremento
inmediato de la demanda química de oxígeno en el sustrato. La inestabilidad del
digestor resultó en un incremento de los ácidos volátiles y un bajo porcentaje de
74
metano en el biogás, es posible que los efectos tardíos de esta situación sean los
que se reflejen en el inicio de la simulación.
Curiosamente, el cambio en la composición del sustrato no muestra indicios de

alguna falla eminente del digestor sino más bien presenta el caso contrario, y esto
quizás se deba a la rápida capacidad de la comunidad microbiana para desarrollar
aquellas especies mejor adaptadas a la situación.
No obstante, el índice AGV/Alcalinidad rebasa el 0.9 en varias fases del proceso lo

que puede mostrar una advertencia sobre la estabilidad del sistema en el sentido
de un riesgo de acumulación de ácidos volátiles, en este caso el riesgo es mayor
en la etapa de alimentación con vinaza al 20 %.
Por otro lado, las relaciones F/Mnet y Fnet/Mnet parecen ser mejor indicadores de
estabilidad que OLR y F/M (Schoen et al., 2009), debido principalmente a
incremento considerables en los valores de F/Mnet y Fnet/Mnet como respuesta a un
factor externo estresante. Para el sistema de laboratorio, se aprecia una caída
drástica en el valor de F/Mnet durante los primeros días de la simulación (Figura
13b), este comportamiento refuerza la hipótesis de la recuperación del digestor de
una falla previa aunque tampoco excluye totalmente algún error en la estimación
de las condiciones iniciales, en este caso para la variable Xst.
5.5.2 ESTABILIDAD DEL DIGESTOR PILOTO

La estabilidad del digestor piloto también fue evaluada usando los mismos
indicadores del apartado anterior, los datos disponibles llegaban hasta el día 110,
para fines de observación el modelo se extendió hasta el día 135, día en el que
tentativamente finalizaría el experimento de co-digestión pollinaza-estiércol de
vaca, para ello se consideraron constantes el flujo de alimentación (1.3 m 3·d-1), la
demanda química de oxígeno total (81.75 kgDQO·m-3) y los sólidos totales (7.22 %)
de la alimentación, estos valores coinciden con los reportados en el Cuadro 28.
Los resultados de la relación AGV/alcalinidad y del número de capacidad de

acetato (ACN) se muestran en la Figura 14. El periodo con más riesgo de
inestabilidad se da entre los días 40 y 50 que coinciden con un valor de ACN
menor a 1 y un incremento considerable de la relación AGV/alcalinidad aunque en
general el proceso se encuentra en los límites de la estabilidad. La alcalinidad del
sustrato es quizás la que evita una eminente falla del digestor, pues a pesar de
que el modelo predice una repentina acumulación de AGV´s y sobre todo de
acetato, la relación AGV/alcalinidad no llega a 0.9 y el ACN apenas baja de 1 en
algunos periodos cortos.
75
1.0 3.0 1.4

AGV/Alk
ACN
a) 1.2
F/Mnet
Fnet/Mnet
b)
AGV/Alcalinidad [HAceq·CaCO3eq]
2.5
0.8
F/M [kgDQO·kgDQO ·d ]
1.0
-1
2.0
-1
0.6
ACN [-]
0.8
1.5
0.4 0.6
1.0
0.4
0.2
0.5
0.2
0.0 0.0
0 20 40 60 80 100 120 0.0
0 20 40 60 80 100 120
Tiempo [días]
Tiempo [días]
Figura 14. Resultados de la simulación de los indicadores ACN y AGV/Alcalinidad

(a) y de los indicadores F/Mnet y Fnet/Mnet (b) en el digestor piloto
Lübken et al. (2007) mencionan que cuando el valor de F/Mnet y Fnet/Mnet es el
doble al anterior se puede hablar de un riesgo de inestabilidad, bajo esta
propuesta los indicadores muestran un riesgo de inestabilidad al día 69 (inicio de
la alimentación con so-sustrato), alrededor del día 90 que coincide con una
variación en el flujo de alimentación y otra más alrededor del día 120,
posiblemente debido a la elevada DQO, el riesgo por cambios drásticos en el
volumen de alimentación pueden provocar un desbalance en el sistema que
podría llevar a la falla del digestor.
76
66 C
COON
NCCLLU
USSIIO
ONNE
ESS
El ADM1 se modificó para incluir el proceso de la oxidación sintrófica del acetato

usando una cinética de tipo Monod con inhibición por pH, nitrógeno limitante y
concentración de hidrógeno en el medio, se excluyó el proceso de metanogénesis
acetáclastica para adecuarlo a las condiciones del proceso y también se adicionó
el proceso de degradación de lactato para considerar la degradación de
compuestos con alto contenido de lactosa como la vinaza.
De los procedimientos de estimación de parámetros, algoritmos de evolución

diferencial (AED) demostraron ser más eficaces que una técnica combinada que
aplica ajuste manual y mínimos cuadrados no lineales (MCNL), el tiempo de
cálculo para calibrar el modelo fue mucho menor con AED, la suma de cuadrados
del error es ligeramente menor aplicando AED.
El perfil de ácidos grasos, pH, porcentaje de metano son parámetros importantes

para evaluar el desempeño del digestor y también para el proceso de estimación
de parámetros del modelo.
Las simulaciones presentan un buen ajuste con respecto a los resultados

experimentales de ácidos grasos volátiles, porcentaje de metano. A escala
laboratorio se subestiman los valores experimentales de pH y demanda química
de oxígeno y se sobreestiman la concentración de CO2 en el biogás. El modelo
aplicado al digestor piloto presenta un buen ajuste a los datos de pH, composición
del biogás y concentración de propionato, así mismo, sobreestima los valores
medidos de DQO, amoníaco y volumen de biogás.
El cambio en la composición del sustrato puede modificar la composición

microbiana, esto se refleja en un cambio en el valor de los parámetros cinéticos en
cada fase del proceso.
Es posible que el digestor de escala laboratorio se venga recuperando de una falla

previa al comienzo del experimento, así lo presumen los indicadores de estabilidad
AGV/alcalinidad, ACN, F/Mnet y Fnet/Mnet.
Los indicadores de estabilidad AGV/alcalinidad, ACN, F/Mnet y Fnet/Mnet indican

cuatro puntos de riesgo de inestabilidad del sistema: entre los días 40 y 50, al
inicio de la alimentación con co-sustrato pollinaza-estiércol de vaca (80/20), y
alrededor de los días 90 y 120.
77
77 LLIITTE
ERRA
ATTU
URRA
ACCIITTA
ADDA
A
Abouelenien, F., Fujiwara, W., Namba, Y., Kosseva, M., Nishio, N., Nakashimada, Y.
2010. Improved methane fermentation of chicken manure via ammonia removal by
biogas recycle. Bioresource Technology, 101(16): 6368-6373.
Agler, M.T., Garcia, M.L., Lee, E.S., Schlicher, M., Angenent, L.T. 2008. Thermophilic
anaerobic digestion to increase the net energy balance of corn grain ethanol.
Environmental Science and Technology, 42(17): 6723-9.
Ahring, B.K., Ibrahim, A.A., Mladenovska, Z. 2001. Effect of temperature increase from
55 to 65 ºC on performance an microbial population dynamics of an anaerobic
reactor treating cattle manure. Water Reserach, 35(10): 2466-2452.
Álvarez, J.A., Otero, L., Lema, J.M. 2010. A methodology for optimising feed composition
for anaerobic co-digestion of agro-industrial wastes. Bioresource Technology,
101(4): 1153-1158.
Amon, T., Amon, B., Kryvoruchko, V., Zollitsch, W., Mayer, K., Gruber, L. 2007. Biogas
production from maize and dairy cattle manure-Influence of biomass composition
on the methane yield. Agriculture Ecosystems and Environment, 118: 173-182.
Angelidaki, I., Ahring, B.K. 1997. Codigestion of olive oil mill wastewaters with manure,
household waste or sewage sludge. Biodegradation, 8(4): 221-226.
Antoni, D., Zverlov, V.V., Schwarz, W.H. 2007. Biofuels from microbes. Applied
Microbiology and Biotechnology, 77(1): 23-35.
AOAC. 1990. Official Methods of Analysis. 15 ed, Arlington, Virginia, USA.
APHA. 1998. Standard Methods for the Examination of Water and Wastewater. 20 ed.
American Public Health Association, Washington, DC.
Batstone, D.J., Keller, J., Angelidaki, I., Kalyuzhnyi, S.V., Pavlostathis, S.G., Rozzi, A.,
Sanders, W.T., Siegrist, H., Vavilin, V.A. 2002a. Anaerobic digestion model No. 1.
International Water Association (IWA) Publisher, London.
Batstone, D.J., Keller, J., Angelidaki, I., Kalyuzhnyi, S.V., Pavlostathis, S.G., Rozzi, A.,
Sanders, W.T., Siegrist, H., Vavilin, V.A. 2002b. The IWA Anaerobic Digestion
Model No 1 (ADM1). Water Science and Technology, 45(10): 65-73.
Batstone, D.J., Keller, J., Newell, R.B., Newland, M. 2000a. Modelling anaerobic
degradation of complex wastewater I: model development. Bioresource Technology,
75: 67-74.
Batstone, D.J., Keller, J., Newell, R.B., Newland, M. 2000b. Modelling anaerobic
degradation of complex wastewater II: parameter estimation and validation using
slaugtherhouse effluent. Bioresource Technology, 75: 75-85.
Beaty, P.S., McInerney, M.J. 1989. Effects of Organic Acid Anions on the Growth and
Metabolism of Syntrophomonas wolfei in Pure Culture and in Defined Consortia.
Applied and Environmental Microbiology, 55(4): 977-983.
Bello-Mendoza, R., Sharratt, P.N. 1998. Modelling the effects of imperfect mixing on the
performance of anaerobic reactors for sewage sludge treatment. Journal of
Chemical Technology and Biotechnology, 71: 121-130.
Boltes, K., Leton, P., García-Calvo, E. 2008. Volatile fatty acid anaerobic degradation:
kinetic modeling with an inoculum under controlled conditions. Industrial and
Engineering Chemistry Research, 47: 5337-5345.
Bombardiere, J., Espinosa-Solares, T., Chatfield, M., Domaschko, M., Easter, M., Stafford,
D.A., Castillo-Angeles, S., Castellanos-Hernandez, N. 2005. Influence of hydraulic
78
retention time on the performance of a pilot plant thermophilic anaerobic bioreactor.

ADSW 2005 Conference Proceddings, pp. 283-289.
Bombardiere, J., Espinosa-Solares, T., Domaschko, M., Chatfield, M. 2007. Thermophilic
anaerobic digester performance under different feed-loading frequency. Applied
Biochemistry and Biotechnology, 137-140(1-12): 765-75.
Boone, D.R., Johnson, R.L., Liu, Y. 1989. Diffusion of the Interspecies Electron Carriers
H2 and Formate in Methanogenic Ecosystems and Its Implications in the
Measurement of Km for H2 or Formate Uptake. Applied and Environmental
Microbiology, 55(7): 1735-1741.
Cassidy, D.P., Hirl, P.J., Belia, E. 2008. Methane production from the soluble fraction of
distillers' dried grains with solubles in anaerobic sequencing batch reactors. Water
Environ Res, 80(6): 570-5.
Cavinato, C., Fatone, F., Bolzonella, D., Pavan, P. 2010. Thermophilic anaerobic co-
digestion of cattle manure with agro-wastes and energy crops: Comparison of pilot
and full scale experiences. Bioresource Technology, 101(2): 545-550.
Comino, E., Rosso, M., Riggio, V. 2010. Investigation of increasing organic loading rate in
the co-digestion of energy crops and cow manure mix. Bioresource Technology,
101(9): 3013-3019.
Cytryn, E., van Rijn, J., Schramm, A., Gieseke, A., de Beer, D., Minz, D. 2005.
Identification of Bacteria Potentially Responsible for Oxic and Anoxic Sulfide
Oxidation in Biofilters of a Recirculating Mariculture System. Applied and
Environmental Microbiology, 71(10): 6134-6141.
Chen, Y., Cheng, J.J., Creamer, K.S. 2008. Inhibition of anaerobic digestion process: a
review. Bioresource Technology, 99(10): 4044-64.
Chen, Z., Hu, D., Zhang, Z., Ren, N., Zhu, H. 2009. Modeling of two-phase anaerobic
process treating traditional Chinese medicine wastewater with the IWA Anaerobic
Digestion Model No. 1. Bioresource Technology, 100(20): 4623-31.
Dwyer, D.F., Weeg-Aerssens, E., Shelton, D.R., Tiedje, J.M. 1988. Bioenergetic
Conditions of Butyrate Metabolism by a Syntrophic, Anaerobic Bacterium in
Coculture with Hydrogen-Oxidizing Methanogenic and Sulfidogenic Bacteria.
El-Mashad, H.M., Zhang, R. 2010. Biogas production from co-digestion of dairy manure
and food waste. Bioresource Technology, 101(11): 4021-4028.
Enhalt, D., Prather, M., Dentener, F., Derwent, R., Dlugokencky, E., Holland, E., Isaksen,
I., Katima, J., Kirchhoff, V., Matson, P., Migdley, P. 2001. Atmospheric chemistry
and greenhouse gases. in: J.T. Houghton, P. Ding, D.J. Griggs, M. Noguer, P.J. van
der Linden, X. Dai, K. Maskell, C.A. Johnson (Eds.), Climate change 2001: the
scientific basis. Cambridge University Press, Cambridge, pp. 881.
Escudié, R., Conte, T., Steyer, J.P., Delgenes, J.P. 2005. Hydrodynamic and biokinetic
models of an anaerobic fixed-bed reactor. Process Biochemestry, 40: 2311-2323.
Espinosa-Solares, T., Bombardiere, J., Chatfield, M., Domaschko, M., Easter, M., Stafford,
D.A., Castillo-Angeles, S., Castellanos-Hernandez, N. 2006. Macroscopic mass and
energy balance of a pilot plant anaerobic bioreactor operated under thermophilic
conditions. Applied Biochemistry and Biotechnology, 129-132: 959-68.
79
Espinosa-Solares, T., Valle-Guadarrama, S., Bombardiere, J., Domaschko, M., Easter, M.

2009. Effect of heating strategy on power consumption and performance of a pilot
plant anaerobic digester. Applied Biochemistry and Biotechnology, 156(1-3): 35-44.
Fezzani, B., Cheikh, R.B. 2009. Extension of the anaerobic digestion model No. 1 (ADM1)
to include phenolic compounds biodegradation processes for the simulation of
anaerobic co-digestion of olive mill wastes at thermophilic temperature. Journal of
Hazardous Materials, 162(2-3): 1563-70.
Fountoulakis, M.S., Stamatelatou, K., Lyberatos, G. 2005. Simulation of DEPH
biodegradation and sorption during anaerobic digestion of secondary sludge. in: 1st
International workshop on the anaerobic digestion model 1 (ADM1) (Ed.), Lyngby,
Denmark.
Fountoulakis, M.S., Stamatelatou, K., Lyberatos, G. 2008. The effect of pharmaceuticals on
the kinetics of methanogenesis and acetogenesis. Bioresource Technology, 99(15):
7083-90.
Fuentes, M., Mussati, M.C., Scenna, N.J., Aguirre, P.A. 2009. Global modeling and
simulation of a three-phase fluidized bed bioreactor. Computers and Chemical
Engineering 33: 359-370.
Gilroyed, B.H., Reuter, T., Chu, A., Hao, X., Xu, W., McAllister, T.A. 2010. Anaerobic
digestion of specified risk materials with cattle manure for biogas production.
Bioresource Technology, 101(15): 5780-5785.
Gottschal, J.C. 1992. Continuous culture. in: J. Lederberg (Ed.) Encyclopedia of
Microbiology. Academic Press, UK.
Gujer, W., Zehnder, A.J.B. 1983. Conversion processes in anaerobic digestion. Water
Science and Technology, 15: 127-167.
Güngör-Demirci, G., Demirer, G.N. 2004. Effect of initial COD concentration, nutrient
addition, temperature and microbial acclimation on anaerobic treatability of broiler
and cattle manure. Bioresource Technology, 93(2): 109-17.
HACH. 2004. Hach water analysis handbook. Hach Company, Colorado.
Hattori, S. 2008. Syntrophic acetate-oxidizing microbes in methanogenic environments.
Microbes and Environments, 23(2): 118-127.
Holm-Nielsen, J.B., Al Seadi, T., Oleskowicz-Popiel, P. 2009. The future of anaerobic
digestion and biogas utilization. Bioresource Technology, 100(22): 5478-84.
Kaparaju, P., Serrano, M., Thomsen, A.B., Kongjan, P., Angelidaki, I. 2009. Bioethanol,
biohydrogen and biogas production from wheat straw in a biorefinery concept.
Bioresource Technology, 100: 2562-2568.
Kassam, K., Yerushalmi, L., Guiot, S.R. 2003. A market study on the anaerobic wastewater
treatment systems. Water, Air and Soil Pollution, 143: 179-192.
Keshtkar, A., Meyssami, B., Abolhamd, G., Ghaforian, H., Asadi, M.K. 2003.
Mathematical modeling of non-ideal mixing continuous flow reactors for anaerobic
digestion of cattle manure. Bioresource Technology, 87(1): 113-24.
Koch, K., Lübken, M., Gehring, T., Wichern, M., Horn, H. 2010. Biogas from grass silage -
Measurements and modeling with ADM1. Bioresource Technology, 101(21): 8158-
8165.
Krause, L., Diaz, N.N., Edwards, R.A., Gartemann, K.H., Kromeke, H., Neuweger, H.,
Puhler, A., Runte, K.J., Schluter, A., Stoye, J., Szczepanowski, R., Tauch, A.,
Goesmann, A. 2008. Taxonomic composition and gene content of a methane-
80
producing microbial community isolated from a biogas reactor. Journal of

Biotechnology, 136(1-2): 91-101.
Lansing, S., Martin, J.F., Botero, R.B., da Silva, T.N., da Silva, E.D. 2010. Methane
production in low-cost, unheated, plug-flow digesters treating swine manure and
used cooking grease. Bioresource Technology, 101(12): 4362-4370.
Lee, M.Y., Suh, C.W., Ahn, Y.T., Shin, H.S. 2009. Variation of ADM1 by using
temperature-phased anaerobic digestion (TPAD) operation. Bioresource
Technology, 100(11): 2816-22.
Lei, Z., Chen, J., Zhang, Z., Sugiura, N. 2010. Methane production from rice straw with
acclimated anaerobic sludge: Effect of phosphate supplementation. Bioresource
Technology, 101(12): 4343-4348.
Lesteur, M., Bellon-Maurel, V., Gonzalez, C., Latrille, E., Roger, J.M., Junqua, G., Steyer,
J.P. 2010. Alternative methods for determining anaerobic biodegradability: A
review. Process Biochemistry, 45(4): 431-440.
Liu, K., Tang, Y.-Q., Matsui, T., Morimura, S., Wu, X.-L., Kida, K. 2009. Thermophilic
anaerobic co-digestion of garbage, screened swine and dairy cattle manure. Journal
of Bioscience and Bioengineering, 107(1): 54-60.
López-Cruz, I.L., Ramírez-Arias, A., Rojano-Aguilar, A. 2004. Analísis de sensibilidad de
un modelo dinámico de crecimiento para lechugas (Lactuca sativa L.) cultivadas en
invernadero. Agrociencia, 38: 613-624.
López-Cruz, I.L., Rojano-Aguilar, A., Ramírez-Arias, A. 2008. Differential Evolution
Algorithms: a Matlab implementation. Seminario de Ingeniería Agrícola.
Departamento de Irrigación. Universidad Autónoma Chapingo, Chapingo, México.
Lübken, M., Wichern, M., Schlattmann, M., Gronauer, A., Horn, H. 2007. Modelling the
energy balance of an anaerobic digester fed with cattle manure and renewable
energy crops. Water Research, 41(18): 4085-96.
Luo, H.-W., Zhang, H., Suzuki, T., Hattori, S., Kamagata, Y. 2002. Differential Expression
of Methanogenesis Genes of Methanothermobacter thermoautotrophicus (Formerly
Methanobacterium thermoautotrophicum) in Pure Culture and in Cocultures with
Fatty Acid-Oxidizing Syntrophs. Applied and Environmental Microbiology, 68(3):
1173-1179.
Lynd, L.R., Weimer, P.J., van Zyl, W.H., Pretorius, I.S. 2002. Microbial Cellulose
Utilization: Fundamentals and Biotechnology. Microbiology and Molecular Biology
Reviews, 66(3): 506-577.
Macias-Corral, M., Samani, Z., Hanson, A., Smith, G., Funk, P., Yu, H., Longworth, J.
2008. Anaerobic digestion of municipal solid waste and agricultural waste and the
effect of co-digestion with dairy cow manure. Bioresource Technology, 99(17):
8288-93.
Madigan, M.T., Martinko, J.M., Parker, J. 2004. Brock. Biología de los microorganismos.
10 ed. Pearson Education, Madrid.
Magbanua, B.S., Adams, T.T., Johnston, P. 2001. Anaerobic codigestion of hog and poultry
waste. Bioresource Technology, 76(2): 165-8.
Makowski, D., Hillier, J., Wallach, D., Andrieu, B., Jeuffroy, M.H. 2006. Parameter
estimation for crop models. in: D. Wallach, D. Makowski, J.W. Jones (Eds.),
Working with Dynamic Crop Models: Evaluation, Analysis, Parameterization, and
Applications. Elsevier, The Netherlands.
81
McMahon, K.D., Stroot, P.G., Mackie, R.I., Raskin, L. 2001. Anaerobic codigestion of
municipal solid waste and biosolids under various mixing conditions--II: Microbial
population dynamics. Water Research, 35(7): 1817-27.
Nayono, S.E., Gallert, C., Winter, J. 2010. Co-digestion of press water and food waste in a
biowaste digester for improvement of biogas production. Bioresource Technology,
101(18): 6987-6993.
Nielsen, H.B., Angelidaki, I. 2008. Strategies for optimizing recovery of the biogas process
following ammonia inhibition. Bioresource Technology, 99(17): 7995-8001.
Ohmiya, K., Sakka, K., Kimura, T. 2005. Anaerobic bacterial degradation for the effective
utilization of biomass. Biotechnology and Bioprocess Engineering, 10(6): 482-493.
Palatsi, J., Illa, J., Prenafeta-Boldú, F.X., Laureni, M., Fernandez, B., Angelidaki, I.,
Flotats, X. 2010. Long-chain fatty acids inhibition and adaptation process in
anaerobic thermophilic digestion: Batch tests, microbial community structure and
mathematical modelling. Bioresource Technology, 101(7): 2243-2251.
Pavlostathis, S.G., Giraldo-Gomez, E. 1991. Kinetics of anaerobic treatment: A critical
review. Critical Reviews in Enviromental Control, 21(5-6): 411-490.
Penumathsa, B.K., Premier, G.C., Kyazze, G., Dinsdale, R., Guwy, A.J., Esteves, S.,
Rodriguez, J. 2008. ADM1 can be applied to continuous bio-hydrogen production
using a variable stoichiometry approach. Water Research, 42(16): 4379-85.
Ramírez, I., Volcke, E.I., Rajinikanth, R., Steyer, J.P. 2009. Modeling microbial diversity
in anaerobic digestion through an extended ADM1 model. Water Research, 43(11):
2787-800.
Rivera-Salvador, V., Aranda-Barradas, J.S., Espinosa-Solares, T., Robles-Martínez, F.,
Toledo, J.U. 2009. El Modelo de Digestión Anaeróbica IWA-ADM1: una revisión
de su evolución. Ingeniería Agrícola y Biosistemas, 1(2): 109-118.
Rosen, C., Jeppsson, U. 2004. Anaerobic cost benchmark model description. Department of
Industrial Electrical Engineering and Automation, Lund University, Lund, Sweden,
pp. 16.
Roy, F., Albagnac, G., Samain, E. 1985. Influence of Calcium Addition on Growth of
Highly Purified Syntrophic Cultures Degrading Long-Chain Fatty Acids. Applied
and Environmental Microbiology, 49(3): 702-705.
Sahlström, L. 2003. A review of survival of pathogenic bacteria in organic waste used in
biogas plants. Bioresource Technology, 87: 161-166.
Schink, B. 1997. Energetics of syntrophic cooperation in methanogenic degradation.
Microbiology and Molecular Biology Reviews, 61(2): 262-280.
Schmitz, R.A., Richter, M., Linder, D., Thauer, R.K. 1992. A tungsten-containing active
formylmethanofuran dehydrogenase in the thermophilic archaeon
Methanobacterium wolfei. European Journal of Biochemistry, 207(2): 559-565.
Schnürer, A., Zellner, G., Svensson, B.H. 1999. Mesophilic syntrophic acetate oxidation
during methane formation in biogas reactors. FEMS Microbiology Ecology, 29(3):
249-261.
Schoen, M.A., Sperl, D., Gadermaier, M., Goberna, M., Franke-Whittle, I., Insam, H.,
Ablinger, J., Wett, B. 2009. Population dynamics at digester overload conditions.
Bioresource Technology, 100(23): 5648-55.
Schröder, P., Herzig, R., Bojinov, B., Ruttens, A., Nehnevajova, E., Stamatiadis, S.,
Memon, A., Vassilev, A., Caviezel, M., Vangronsveld, J. 2008. Bioenergy to save
82
the world. Producing novel energy plants for growth on abandoned land. Environ
Sci Pollut Res Int, 15(3): 196-204.
Sherma, D. 2010. Understanding microbial community structure and performance during
the co-digestion of stillage waste and poultry litter by a thermophilic anaerobic
digester. Departament of Biology. West Virginia State University, Institute, WV,
pp. 91.
Shiratori, H., Ikeno, H., Ayame, S., Kataoka, N., Miya, A., Hosono, K., Beppu, T., Ueda,
K. 2006. Isolation and Characterization of a New Clostridium sp. That Performs
Effective Cellulosic Waste Digestion in a Thermophilic Methanogenic Bioreactor.
Siles, J.A., Martín, M.A., Chica, A.F., Martín, A. 2010. Anaerobic co-digestion of glycerol
and wastewater derived from biodiesel manufacturing. Bioresource Technology,
101(16): 6315-6321.
Silva, F., Nadais, H., Prates, A., Arroja, L., Capela, I. 2009. Modelling of anaerobic
treatment of evaporator condensate (EC) from a sulphite pulp mill using the IWA
anaerobic digestion model no. 1 (ADM1). Chemical Engineering Journal, 148: 319-
326.
Smith, A. 2008. Uncovering microbial community composition, dynamics, and function in
a thermophilic anaerobic digester. University of Exeter.
Smith, S.R., Lang, N.L., Cheung, K.H.M., K., S. 2005. Factors controlling pathogen
destruction during anaerobic digestion of biowastes. Waste Management, 25: 417-
425.
Sommer, S.G., Petersen, S.O., Moller, H.B. 2004. Algorithms for calculating methane and
nitrous oxide emissions from manure managment. Nutrient Cycling in
Agroecosystems, 69: 143-154.
Sung, S., Liu, T. 2003. Ammonia inhibition on thermophilic anaerobic digestion.
Chemosphere, 53(1): 43-52.
Symons, G.E., Bushell, A.M. 1933. The methane fermentation of carbohydrates. J Am
Chem Soc, 55(5): 2028-2036.
Tang, Y., Shigematsu, T., Morimura, S., Kida, K. 2005. Microbial community analysis of
mesophilic anaerobic protein degradation process using bovine serum albumin
(BSA)-fed continuous cultivation. Journal of Bioscience and Bioengineering, 99(2):
150-164.
Vavilin, V.A., Angelidaki, I. 2005. Anaerobic degradation of solid material: importance of
initiation centers for methanogenesis, mixing intensity, and 2D distributed model.
Biotechnology and Bioengineering, 89(1): 113-22.
Ward, A.J., Hobbs, P.J., Holliman, P.J., Jones, D.L. 2008. Optimisation of the anaerobic
digestion of agricultural resources. Bioresource Technology, 99(17): 7928-40.
Wichern, M., Gehring, T., Fischer, K., Andrade, D., Lubken, M., Koch, K., Gronauer, A.,
Horn, H. 2009. Monofermentation of grass silage under mesophilic conditions:
measurements and mathematical modeling with ADM 1. Bioresource Technology,
100(4): 1675-81.
Wu, X., Yao, W., Zhu, J., Miller, C. 2010. Biogas and CH4 productivity by co-digesting
swine manure with three crop residues as an external carbon source. Bioresource
Technology, 101(11): 4042-4047.
83
Zaher, U., Rodríguez, J., Franco, A., Vanrolleghem, P.A. 2003. Application of the IWA
ADM1 model to simulate anaerobic digester dynamics using a concise set of
practical measurements. IWA Conference on Environmental Biotechnology,
Malaysia.
Zhao, B.H., Yue, Z.B., Ni, B.J., Mu, Y., Yu, H.Q., Harada, H. 2009. Modeling anaerobic
digestion of aquatic plants by rumen cultures: cattail as an example. Water
Research, 43(7): 2047-55.
Zinder, S.H., Koch, M. 1984. Non-aceticlastic methanogenesis from acetate: acetate
oxidation by a thermophilic syntrophic coculture. Archives of Microbiology, 138(3):
263-272.
84
88 A
ANNE
EXXO
OSS
A1. RESULTADOS DE LA IMPLEMENTACIÓN DEL MODELO DE
DIGESTIÓN DE POLLINAZA
1.0
Metano 30 10 3e-7
DQO total
a) CO2
Concentración D.Q.O. digestor [kgDQO·m ]

-3
0.8
H2
25
b) pH
[H+] 3e-7
p_gas_ch4 DQO-ADM1 9
Concentración H [kmol·m ]
-3
p_gas_co2 pH-ADM1
S_h+
p_gas_h2 20 2e-7
0.6 8
+
pH [-]
15 2e-7
7
0.4
10 1e-7
6
5 5e-8
0.2
0 5 0
0 20 40 60 80
0.0
0 20 40 60 80 Tiempo [días]
Tiempo [días]
0.8
0.6
d) X_ac
c) X_st
Concentración biomasa [kgDQO·m ]
-3
X_h2
-3
0.5 0.6
0.4
0.4
X_su
0.3 X_aa
X_fa
X_c4 0.2
X_pro
0.2
0.1 0.0
0 20 40 60 80
0.0
0 20 40 60 80 Tiempo [días]
Tiempo [días]
a) Composición del biogás.

b) Demanda química de oxígeno, pH y concentración de hidrogeniones.
c) Biomasa acidogénicos y acetogénicos.
d) Biomasa metanogénicos y sintróficos oxidadores de acetato.
85
A2. RESULTADOS DE LA SIMULACIÓN EN CONTINÚO. EFECTO

DEL MÉTODO DE ESTIMACIÓN
1.0 0.8
a) Metano
CO2
b) A.E.D.
Metano
CO2
Método mixto H2 H2
0.8
p_gas_ch4 0.6 p_gas_ch4

p_gas_co2 p_gas_co2
p_gas_h2 p_gas_h2
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0 20 40 60 80
0 20 40 60 80
Tiempo [días]
Tiempo [días]
0.6 0.6
c) Método mixto
d) A.E.D. X_su
X_aa
-3
-3
0.5 0.5
X_fa
X_c4
X_pro
0.4 0.4
X_su
X_aa
0.3 X_fa 0.3
X_c4
X_pro
0.2 0.2
0.1 0.1
0.0 0.0
0 20 40 60 80 0 20 40 60 80
a) Resultados de la composición del biogás (Ajuste manual con MCNL).

b) Resultados de la composición del biogás (AED).
c) Biomasa acidogénicos y acetogénicos (Ajuste manual con MCNL).
d) Biomasa acidogénicos y acetogénicos (AED).
e) Biomasa metanogénicos y sintróficos (Ajuste manual con MCNL).
f) Biomasa metanogénicos y sintróficos (AED).
g) pH (Ajuste manual con MCNL).
h) pH (AED).
86
1.4
0.8
1.2
e) f)
A.E.D.
X_ac
-3

-3
X_st
1.0 0.6
X_h2
Método mixto
0.8
0.6 0.4
X_ac
0.4 X_st
X_h2
0.2 0.2
0.0
-0.2 0.0
-0.4
0 20 40 60 80 0 20 40 60 80
9 8.8
g) h)
Método mixto pH digestor
pH simulación
8.6
A.E.D.
pH digestor
pH simulación
8 8.4
8.2
8.0
pH [-]
pH [-]
7
7.8
7.6
6 7.4
7.2
5 7.0
0 20 40 60 80
0 20 40 60 80
87
A3. RESULTADOS DE LA SIMULACIÓN EN SEMI CONTINUO.

EFECTO DEL MÉTODO DE ESTIMACIÓN
0.5 1.0
a) Ácido Valerico
S_va-AED b) CH4
0.4 S_va-mcnl
0.8 p_gas_ch4-AED
-3
p_gas_ch4-mcnl
Presión parcial [bar]

0.3
0.6
0.2
0.4
0.1
0.2
0.0
0.0
0 20 40 60 80
0 20 40 60 80
Tiempo [días]
Tiempo [días]
0.025 0.6
c) H2
d) Xsu-AED
0.5 Xaa-AED
0.020 p_gas_h2-AED
Xsu-mcnl
p_gas_h2-mcnl -3
Xaa-mcnl
Presión parcial [bar]
0.4
0.015
0.3
0.010
0.2
0.005 0.1
0.0
0.000
0 20 40 60 80
0 20 40 60 80 2D Graph 16
Tiempo [días]
Tiempo [días]
1.0
0.14
e) Xfa-AED f) Xh2-AED
Xst-AED
Xc4-AED
0.8 Xh2-mcnl
0.12 Xfa-mcnl
Xst-mcnl
-3
-3
Xc4-mcnl
0.10
0.6
0.08
0.06
0.4
0.04
0.02 0.2
0.00
0 20 40 60 80
0.0
Tiempo [días] 0 20 40 60 80
Tiempo [días]
a) Valerato total.
b) Concentración de metano
c) Concentración de hidrógeno
d) Degradadores de monosacáridos y aminoácidos.
e) Degradadores de AGCL, valerato y butirato.
f) Sintróficos oxidantes del acetato y metanogénicos.
88
A4. RESULTADOS DE LA IMPLEMENTACIÓN DE LA CO-DIGESTIÓN

POLLINAZA-VINAZA
0.6 2.5
a) Butírico Acético
Valérico b) Propiónico
Ácidos grasos volátiles [kgDQO·m-3]

0.5
-3
S_bu 2.0 S_ac

S_va S_pro
0.4
1.5
0.3
1.0
0.2
0.5
0.1
0.0
0.0 0 20 40 60 80
0 20 40 60 80
Tiempo [días]
Tiempo [días]
2D Graph 2
0.8 0.35 3.5
c) Metano 0.30
d) 3.0
p_gas_ch4 Degradadores de lactato
Biomasa lactato [kgDQO·m ]
0.6 Ácido láctico

-3
Ácido láctico [kgDQO·m ]

-3
0.25 2.5
0.20 2.0
0.4
0.15 1.5
0.10 1.0
0.2
0.05 0.5
0.0 0.00 0.0

0 20 40 60 80 0 20 40 60 80
1.0 2.5
e) f) X_ac
X_st
-3
-3
2.0 X_h2
0.8
X_lac
1.5
0.6 X_su
X_aa
X_fa
X_c4 1.0
0.4 X_pro
0.5
0.2
0.0
0.0
0 20 40 60 80
0 20 40 60 80
Tiempo [días]
Tiempo [días]
a) Valerato y butirato total.

b) Acetato y propionato total
c) Concentración de metano
d) Cinéticas lactato y degradadores de lactato.
e) Acidogenicos y acetogénicos.
f) Sintróficos oxidantes del acetato y metanogénicos.
89
A5. RESULTADOS DE LA CALIBRACIÓN EN LA CO-DIGESTIÓN

POLLINAZA-VINAZA
0.6
Butírico 0.8
a) Valérico
b)
0.5
-3
S_bu
S_va Metano
p_gas_ch4
0.6

0.4
0.3
0.4
0.2
0.2
0.1
0.0 0.0
0 20 40 60 80 0 20 40 60 80
Tiempo
2D Graph[días]
1 Tiempo [días]
10
1.0
c) d) X_su
X_aa
-3
9 pH digestor 0.8 X_fa
Simulación pH X_c4
X_pro
8 0.6
pH [-]
0.4
7
0.2
6
0.0
0 20 40 60 80
5
0 20 40 60 80 Tiempo [días]
Tiempo [días]
2D Graph 2
1.0 0.8
2.5
Degradadores de lactato
e) X_ac
X_st
f) Ácido láctico
0.8
-3

-3
2.0 X_h2 0.6
Ácido láctico [kgDQO·m ]

-3
X_lac
0.6
1.5
0.4
1.0 0.4
0.2
0.5 0.2
0.0
0.0 0.0
0 20 40 60 80 0 20 40 60 80
a) Valerato y butirato total.

b) Concentración de metano
c) pH
d) Acidogenicos y acetogénicos.
e) Sintróficos oxidantes del acetato y metanogénicos.
f) Cinéticas lactato y degradadores de lactato.
90
A6. RESULTADOS DE LA CALIBRACIÓN DEL DIGESTOR PILOTO

0.20
Concentración de gas en fase líquida CH4,H2 [kgDQO·m ]

-3
a) Butírico
Valérico
0.08 0.6
b)
Concentración CI en fase líquida [kmol·m ]

-3
Carbono Inorganico
-3
S_bu
Metano
0.15 S_va 0.5
Hidrógeno
S_IC
0.06
S_ch4
S_h2 0.4
0.10
0.04 0.3
0.05 0.2
0.02
0.1
0.00
0 10 20 30 40 0.00 0.0
0 10 20 30 40
Tiempo [días]
Tiempo [días]
60 10 0.14
50 c)
Experimental
Simulación
9
d) 0.12
Flujo volumetrico de gas [m ·d ]
3 -1
0.10
Amoníaco [kmol·m ]
-3
40 8
0.08
pH [-]
30 0.06
7
pH digestor
Simulación pH 0.04
20
Amoníaco experimental
6
Amoníaco simulación
0.02
10
5 0.00
0 10 20 30 40
0
Tiempo [días]
0 10 20 30 40
Tiempo [días]
1.0
40
e) f)
-3
0.8
30
DQO total [kgDQO·m ]
-3
0.6 X_su
X_aa
X_fa
X_c4
20
0.4 X_pro
0.2
10 Experimental
Simulación
0.0
0 10 20 30 40
0
0 10 20 30 40 Tiempo [días]
Tiempo [días] 2D Graph 2
1.4 0.18
2.5
g) X_ac
X_st 1.2
h) Degradadores de lactato
0.16
-3
2.0 X_h2 Ácido láctico 0.14

-3
X_lac Ácido láctico [kgDQO·m ]

-3
1.0
0.12
1.5
0.8 0.10
0.6 0.08
1.0
0.06
0.4
0.5 0.04
0.2
0.02
0.0
0.0 0.00
0 10 20 30 40 0 10 20 30 40
a) Valerato y butirato total. f) Acidogenicos y acetogénicos.

b) Composición del biogás g) Sintróficos oxidantes del acetato y
c) Volumen de biogás metanogénicos.
d) pH y amoníaco h) Cinéticas lactato y degradadores de
e) Demanda química de oxígeno lactato
91
A7. RESULTADOS DE LA SIMULACIÓN DEL DIGESTOR PILOTO
0.5
2.0
Ácido valérico
0.4
Ácido butírico
S_va
a) Ácido propiónico
Ácido acético b)
Ácidos volatiles [kgDQO·m ]
S_pro
-3
S_bu
S_ac
Ácidos volatiles [kgDQO·m ]

-3
1.5
0.3
1.0
0.2
0.5
0.1
0.0 0.0
0 20 40 60 80 100 0 20 40 60 80 100

0.08 0.8
H2 disuelto 100
c)
CH4 disuelto
Metano, Hidrógeno disuelto [kgDQO·m ]
-3
S_h2 Medido
d)
Carbono inorgánico [kmol·m ]
Flujo volumétrico de biogás [m ·d ]

Experimental
-3
S_ch4
-1
0.06 Carbono Inorgánico disuelto 0.6 80
3
S_IC
60
0.04 0.4
40
0.02 0.2
20
0.00 0.0
0 20 40 60 80 100
0
Tiempo [días] 0 20 40 60 80 100
Tiempo [días]
8
DQO total 2.5

40
DQO ADM1
DQO soluble
sDQO ADM1
e) 6 f)
2.0
Flujo de alimentación [m ·d ]
DQO soluble [kg·m ]
-1
-3
DQO total [kg·m ]
30
-3
4 1.5
20
1.0
2
10
0.5
0 0
0 20 40 60 80 100
0.0
Tiempo [días] 0 20 40 60 80 100
Tiempo [días]
1.2
Concentración biomasa microbiana [kgDQO·m ]
2.5
-3
Xsu
Concentración biomasa microbiana [kgDQO·m ]
-3
1.0
Xaa
Xfa
g) h)
Xc4 2.0
Xpro
0.8
1.5
0.6 Xac
1.0 Xh2
Xst
0.4
Xlac
0.5
0.2
0.0
0.0
0 20 40 60 80 100 0 20 40 60 80 100
a) Valerato y butirato total. f) Flujo de alimentación

b) Acetato y propionato g) Acidogenicos y acetogénicos.
c) Composición del biogás h) Sintróficos oxidantes del acetato y
d) Volumen de biogás metanogénicos.
e) DQO total y soluble
92
A8. BALANCE DE NITRÓGENO DE LOS PROCESOS

INVOLUCRADOS EN EL MODELO
Proceso Balance de nitrógeno

Desintegración ( ) ( (
) )
Degradación de ( ) ( ) ( )
monosacáridos
Degradación de ( )
aminoácidos ( )
Degradación de AGCL ( ) ( )
Valerato
Butirato
Propionato
Acetoclástica
Hidrogenotrófica
Muerte de XSu, XAA, XFa, ( )

Oxidación del Acetato ( ) ( )
93
A9. BALANCE DE CARBONO DE LOS PROCESOS INVOLUCRADOS

EN EL MODELO
Proceso Balance de carbono

Desintegración
( ) ( )
( ) ( ) ( )
Hidrólisis de
carbohidratos
Hidrólisis de proteínas
Hidrólisis de Lípidos ( )
( ) ( )
Degradación de ( )( )
monosacáridos
( )(( )( ) ( )( )
( )( ) ( )( ))
Degradación de ( )
aminoácidos
( )
( )( ( ) ( )
( ) ( )) ( )
Degradación de AGCL ( )
( ) ( )
( )
94
Degradación de ( )
valerato
( )
( )( )( )
( )( )( ) ( )( )
Degradación de ( )
Butirato
( ) ( )
( )
Degradación de ( )
Propionato
( )( )( )
( )( )
Metanogénesis ( )
Acetoclástica
( )( ) ( )( )
Metanogénesis ( )
Hidrogenotrófica
( )( )
( )( )
Muerte de XSu, XAA, XFa,
Oxidación del Acetato
( )( )
95
A10. CONVERSIONES A UNIDADES DE kgDQO

La conversión a unidades de D.Q.O. como se utiliza en el ADM1 se realizó
multiplicando el peso en gramos del compuesto por su factor de conversión a
D.Q.O. mostrados en la última columna del siguiente cuadro que relaciona
unidades de masa a unidades de D.Q.O.
Peso
Compuesto C H O N molecular gDQO/mol C N gDQO/g
(g/mol)
Monosacáridos 6 12 6 180 192 0.0313 1.0667
Acetato 2 4 2 60 64 0.0313 1.0667
Propionato 3 6 2 74 112 0.0268 1.5135
Butirato 4 8 2 88 160 0.0250 1.8182
Valerato 5 10 2 102 208 0.0240 2.0392
Etanol 2 6 1 46 96 0.0208 2.0870
Lactato 3 6 3 90 96 0.0313 1.0667
H2 2 2 16 0.0000 8.0000
Proteína 1 1.9 0.51 0.2 22.06 34.24 0.0292 0.0058 1.5521
Lípidos (C16) 51 98 6 806 2320 0.0220 0.0000 2.8784
Palmitato 16 32 2 256 736 0.0217 2.8750
CH4 1 4 0 16 64 0.0156 4.0000
Glicerol 3 8 3 92 112 0.0268 1.2174
Biomasa (vieja) 5 9 3 1 131 160 0.0313 0.0063 1.2214
Biomasa 2 5 7 2 1 113 160 0.0313 0.0063 1.4159
CO2 1 0 2 0 44 0 0.0000
NH3 0 3 0 1 17 0 0.0000
El procedimiento para obtener estos valores es el siguiente: se colocan en las

respectivas columnas la cantidad de átomos de carbono, hidrógeno, oxígeno y
nitrógeno del compuesto de interés en su forma no ionizada. El peso molecular se
calcula multiplicando el número de átomos por su respectivo peso molecular
(carbono 12, hidrógeno 1, oxígeno 16 y nitrógeno 14) y haciendo la suma total de
los pesos de cada elemento.
La columna de gDQO/mol se calcula con la siguiente fórmula:
⁄ ( )
Donde C es el número de carbonos del compuesto, H el número de hidrógenos, N

el número de nitrógenos y O el número de oxígenos. La última columna (gDQO/g)
resulta de dividir gDQO/mol sobre el peso molecular del compuesto.
Las columnas de C y N representan el contenido de carbono y nitrógeno

respectivamente, del compuesto en unidades de mol/gDQO. Estos valores de
obtienen de dividir el número de átomos de carbono (columna C) o nitrógeno
(columna N) sobre el valor de gDQO/mol. Estos contenidos de carbono y nitrógeno
son utilizados en el modelo como Ci o Ni.
96

Estudio Cinetico de La Digestion Anaerbica

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

Estudio Cinetico de La Digestion Anaerbica

Cargado por

Copyright:

Formatos disponibles

INSTITUTO POLITÉCNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA DE

“La técnica al servicio MAESTRÍA EN CIENCIAS EN BIOPROCESOS

ESTUDIO CINÉTICO DE LA DIGESTIÓN ANAERÓBICA

PRESENTADA PARA OBTENER EL GRADO DE

La Laguna Ticomán, D.F., diciembre de 2010.

A la Unidad Profesional Interdisciplinaria de Biotecnología del IPN por la oportunidad de

Al CONACYT por el apoyo financiero otorgado para estudiar la maestría.

Al Dr. Teodoro Espinosa-Solares por haberme dado esta oportunidad de continuar mi

Dedico este trabajo a mi familia, mis padres, Víctor y Mary, y mis

A todos mis amigos y familiares, sin distinción de edad ni nacionalidad,

"Success is a journey, not a destination"

ESTUDIO CINÉTICO DE LA DIGESTIÓN ANAERÓBICA TERMOFÍLICA DE

Víctor Rivera-Salvador1*, Juan S. Aranda-Barradas1**, Teodoro Espinosa-

El objetivo de este trabajo fue modificar el ADM1 para la digestión anaeróbica

Palabras clave: digestión anaeróbica, ADM1, co-digestión, oxidación del

* Tesista, ** Directores del proyecto

KINETIC STUDY OF THERMOPHILIC ANAEROBIC DIGESTION OF CHICKEN

Víctor Rivera-Salvador1, Juan S. Aranda-Barradas1, Teodoro Espinosa-Solares2,3,

Key words: Anaerobic digestion, ADM1, co-digestion, acetate oxidation,

5.2.2 Calibración del modelo. Comparación de los métodos de estimación de

Figura 1. Procesos de conversión en la digestión anaeróbica ................................ 4

Figura 2. a) Fotografía del digestor laboratorio y el sistema de recirculación de

Figura 3. a) Biodigestor anaerobio termofílico y b) Diagrama de proceso del

Figura 5. El modelo anaeróbico como fue implementado ..................................... 24

Figura 6. Modificación al modelo para incluir la degradación de ácido láctico ..... 33

Figura 7. Comportamiento de los ácidos grasos volátiles (AGV´s) en el digestor y

Figura 8. Comparación del método de estimación de parámetros en las salidas del

Figura 9. Efecto del método de estimación de parámetros sobre la salida de ácido

Figura 11. Resultados de la simulación de acetato y propionato (a) y de la

Figura 13. Resultados de la simulación de los indicadores AGV/Alcalinidad y ACN

Figura 14. Resultados de la simulación de los indicadores ACN y AGV/Alcalinidad

Cuadro 1. Formas de inhibición microbiana. .................................................................... 15

La acumulación de residuos agropecuarios, principalmente de origen animal,

El control de procesos como la metanogénesis reduce la emisión de gases de

A pesar del avance en el desarrollo de esta tecnología, todavía se requiere

Actualmente, una de las propuestas de modelo que está adquiriendo popularidad

Dado lo anterior, el objetivo de este trabajo es la propuesta y desarrollo de un

El sector de producción animal es responsable del 18% del total de emisiones de

La gran cantidad de residuos producidos en un área concentrada requiere de

Una opción de mitigación para el manejo de residuos animales es la digestión

El proceso de digestión anaeróbica puede considerarse como una tecnología

Los sistemas de tratamiento anaeróbico son sistemas biológicos que operan en

Los biocombustibles producidos a partir de biomasa renovable (como el biogás)

El tratamiento anaeróbico brinda un método de reducción de la contaminación de

El biogás (producto de la digestión anaeróbica) es una alternativa prometedora

2008), puede almacenarse o distribuirse a través de la infraestructura del gas

El biogás producto de la co-digestión de residuos animales y biomasa vegetal es

La producción de energía, tal como potencia eléctrica y calor, en unidades

Los sistemas anaeróbicos son relativamente compactos, tienen bajos

2.2 PROCESO DE DIGESTIÓN ANAERÓBICA PARA LA PRODUCCIÓN

La reacción general de la metanogénesis se conoce desde hace mucho tiempo

La formación de biogás comprende básicamente las siguientes etapas (Figura 1):

Durante los procesos de tratamiento anaeróbico, los microorganismos rompen las

Figura 1. Procesos de conversión en la digestión anaeróbica tal como se usan en

2.2.1 HIDRÓLISIS Y DESINTEGRACIÓN

2.2.4 OXIDACIÓN DEL ACETATO

La oxidación del acetato a H2-CO2 (CH3COO-+4H2O→2HCO3-+4H2+H+) es

La oxidación sintrófica del acetato en condiciones mesófilas se incrementa

Al respecto, los metanogénos hidrogenotróficos juegan un rol crucial en la

En el caso de la metanogénesis acetoclástica ocurre la ruptura de acetato hasta

Sólo algunos metanógenos son acetotróficos pero aproximadamente dos tercios

Hay una diferencia considerable en la velocidad de degradación de acetato entre