Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Abstract—The calorimetric study of yeast cultures developing eviten la aparición del efecto Crabtree y posterior generación
under high-cell-density fed-batch conditions has proven to be an de subproductos citotóxicos inhibidores del crecimiento
effective and innovative procedure to elaborate control mecha- celular como el etanol (Malairuang et al., 2020).
nisms for growth rate modulation. Within this work, the use of
calorimetric analysis is proposed to control the biomass growth
rate of a Saccharomyces cerevisiae culture by manipulating both Con el objetivo de controlar la tasa de crecimiento celular
the glucose feed to the biorreactor and refrigerant inlet flow to de cultivos HCDC, se han propuesto estrategias de control
the jacket heat exchanger. This is done in order to maintain an basadas en la captura de señales. De estas propuestas destacan
optimal biomass specific growth rate and achieve a high density la espectroscopı́a dieléctrica (Bao et al., 2018), absorción
culture capable of producing recombinant proteins of commercial
interest while avoiding Crabtree effect and aerobic ethanol gener- de glucosa medida desde la corriente de salida en fed-batch
ation. A control system is therefore simulated using SIMULINK hı́brido al cabo de un ciclo completo (Çalik, Hoxha, Çalik &
from MATLAB, selecting two separate control loops: glucose Özdamar, 2018) y el perfeccionamiento de métodos de control
feed flow - apparent specific growth rate and refrigerant feed más comunes en la industria que miden variables como la
flow - culture temperature. As suggested in previous published concentración de oxı́geno disuelto (DO), pH, composición del
studies, a state observer is also applied to quantify the culture’s
apparent specific growth rate through calorimetric analysis of aire de salida (XAE ) y demás, que se encuentran resumidas
the sensed temperatures inside the reactor and jacket volume. en la Tabla (IV) del Anexo (A).
Separate controller algorithms are designed for each control loop
choosing PID for refrigerant flow and IMC for glucose feed flow Entre los diferentes modelos de control que se han
as two of the most suitable controllers allowing for fast action, propuesto para regular la tasa de crecimiento de cultivos
low overshoot and offset and comparative low error indicators
IAE and IAVU. HCDC, se encuentra la temperatura y el estudio calorimétrico
de los fenómenos que se suscitan al interior de un biorreactor
Keywords—Calorimetry, apparent specific growth rate, control fed-batch. La ventaja de esta estrategia de control es que
loop, Saccharomyces cerevisiae, PID, IMC.
al representar una herramienta de monitoreo Online su
empleo permite la automatización (Ehgartner et al., 2017),
I. I NTRODUCCI ÓN optimización (Mears, Stocks, Sin & Gernaey, 2017) y
Saccharomyces cerevisiae es un hongo unicelular que ajuste inmediato de las variables controlables (Habegger,
presenta una alta versatilidad para la modificación genética Rodrigues & Dabros, 2018). Paralelamente, el estudio
y metabólica; lo que implica que sea idóneo para procesos calorimétrico es capaz de asociar una variable controlada de
industriales de biosı́ntesis (Goffeau et al., 1996). La ecologı́a compleja medición, con otra variable directa del proceso de
de esta levadura presenta resistencia a altas concentraciones crecimiento celular como lo es la temperatura derivada del
de azúcar y etanol, un metabolismo fermentativo y una alta calor desprendido de reacciones metabólicas en el cultivo
selectividad por compuestos aromáticos de utilidad para la (Kottelat, Freeland & Dabros, 2021). El estudio calorimétrico
industria vitivinı́cola (Dunn et al., 2012; Tristezza et al., 2016). como estrategia de control supone una utilidad extraordinaria
para cultivos de microorganismos Crabtree-positivo como
En el último tiempo, esta levadura ha surgido como en el caso de S. cerevisiae, que modifican su metabolismo
candidata para la producción de proteı́nas recombinantes cuando la concentración de glucosa en el medio de cultivo
(Wang, Huang & Nielsen, 2017). Normalmente, estos atraviesa lı́mites crı́ticos. Ası́, la entalpı́a de metabolización
complejos orgánicos se derivan de cultivos celulares de puede ser estimada en razón del calor eliminado al ambiente,
alta densidad (HCDC) que se desarrollan en biorreactores logrando ası́ una relación entre la temperatura del medio y la
fed-batch, que suministran altas concentraciones de glucosa tasa de crecimiento especı́fica (Dabros et al., 2009).
o sacarosa. Frente al alto contenido de sustrato en la
alimentación y la limitación de O2 disuelto, es necesario El objetivo de este trabajo consiste en emplear el análisis
contar con mecanismos de respuesta y control eficientes que calorimétrico de un cultivo de S. cerevisiae contenido en un
biorreactor fed-batch para controlar su tasa de crecimiento
Departamento de Ingenierı́a Quı́mica y Bioprocesos, Facultad de Ingenierı́a, especı́fica en las condiciones de operación adecuadas. Esto
Pontificia Universidad Católica de Chile, Av. Vicuña Mackenna 4860, Casilla
306 Correo 22, Santiago, Chile es útil para conseguir un cultivo HCDC que promueva la
producción de proteı́nas recombinantes evitando el efecto
2
Crabtree y la formación de subproductos inhibidores del crecimiento especı́fica donde la variable controlada es la
crecimiento como el etanol. Para este propósito, en el tasa de crecimiento especı́fica aparente (µapp ) que se estima
presente estudio se diseñan dos lazos de control: el primero en base a un observador de estado (Bastin & Dochain,
que controla la tasa de crecimiento especı́fica a través de 1990) y las lecturas de las temperaturas del mosto y de
la regulación sobre el flujo de alimentación de glucosa y el chaqueta que se le suministran. Los observadores de estado
segundo que regula la temperatura del mosto manipulando el consisten, a su vez, en un algoritmo que permite cuantificar
flujo de refrigerante que ingresa por la chaqueta que cubre el los valores aproximados reales de cierta variable o estado de
biorreactor. un sistema mediante la medición de entradas y salidas del
sistema sin que estas últimas guarden relación directa con
Ambos lazos de control junto al proceso metabólico de S. la variable a estimar. Con la implementación del observador
cerevisiae y los balances de masa y energı́a ocurridos en el de estado y la obtención de valores de µapp , se puede fijar
biorreactor son simulados a través del software SIMULINK un set-point óptimo aplicando un controlador que actúe
de MATLAB. Tras la integración de actuadores, sensores y el sobre la variable manipulada que corresponde al flujo de
proceso, se obtiene la función de transferencia de cada lazo de alimentación de sustrato. Por otra parte, el segundo lazo de
control propuesto bajo configuración abierta, las cuales sirven control corresponde al Flujo de refrigerante - Temperatura
para la sintonización de diferentes algoritmos de control. De del reactor, donde la variable controlada y medida es la
este modo, el presente estudio no solo busca la aplicación temperatura del mosto y la variable manipulada es el flujo de
de un mecanismo innovador para la regulación de la tasa de refrigerante que se suministra a la chaqueta a través de una
crecimiento celular basado en calorimetrı́a, sino que también bomba peristáltica.
pretende emplear un algoritmo de control novedoso que supere
a otros tipo PI feedback y adaptativos no-lineales descritos por Ambos lazos de control permiten conocer parámetros in-
Dabros et al. (2009) y Biener et al. (2010) respectivamente de ternos del biorreactor (µapp y Tm ) con tal de poder ejecutar
los cuales numerosos otros estudios calorimétricos hacen uso acciones sobre las variables que ingresan al proceso. De esta
(Kottelat et al., 2021; Schuler et al., 2012; Biener et al,. 2012; forma se podrá controlar el crecimiento de la levadura y evitar
Müller et al., 2018). Con esto, se pretende que la sintonización excesos de sustrato que lleven al cultivo hacia un metabolismo
de un algoritmo que incorpore la acción derivativa como PID fermentativo (efecto Crabtree).
o que supere las inexactitudes del modelo como IMC presente
mejores ı́ndices de rendimiento IAE e IAVU junto a un menor
overshoot sobre el set-point establecido y mayor velocidad B. Ecuaciones diferenciales y constitutivas del proceso
de respuesta frente a perturbaciones. Estos dos indicadores
A continuación se presentan los balances de masa y energı́a
de error fueron seleccionados para conocer el efecto que
que gobiernan el comportamiento de las especies y energı́a
la agresividad de las variables manipuladas tienen sobre la
en el proceso de crecimiento celular. El desarrollo diferencial
variable controlada (IAVU) e IAE para estimar la desviación
de estas ecuaciones se indica en el Anexo B.
de la variable controlada sobre su set-point bajo un algoritmo
de control particular.
1) Balance de biomasa:
II. M ETODOLOG ÍA dX
= (kX1 r1 + kX2 r2 + kX3 r3 )X − DX (1)
dt
Donde,
min(rS , rS crit )
r1 = (2)
kS1
max(0, rS − rS crit )
r2 = (3)
kS2
−rS )
max(0, kos (rSkcrit
op
P
P +KP )
r3 = (4)
kP 3
Siguiendo la ecuación (1) para el balance de biomasa como
la ecuación de crecimiento celular de Monod, se tiene:
Fig. 1. P&ID del control de tasa de crecimiento y temperatura del reactor.
µreal = kX1 r1 + kX2 r2 + kX3 r3 (5)
A. P&ID del proceso simulado y lazos de control
En la Figura 1 se detalla el P&ID propuesto. En este 2) Balance de masa por sustrato:
se ilustran los dos lazos de control implementados. El dS
primer lazo corresponde al Flujo de glucosa - Tasa de = DSin − (kS1 r1 + kS2 r2 )X − DS (6)
dt
3
3) Balance de masa por producto: C. Metodologı́a para ajustar e identificar las funciones de
transferencia
dP
= (kP 2 r2 + kP 3 r3 )X − DP (7) Dada la naturaleza fed-batch del biorreactor seleccionado
dt
para el crecimiento del cultivo, se tiene que el proceso no
Otros balances diferenciales relativos a especies como O2 alcanza el estado estacionario. Por esta razón, se decide
y CO2 no serán abordados dentro de este estudio pues se ejecutar la simulación en un perı́odo de 35 horas, con una
suponen concentraciones saturadas de estos gases al interior alimentación de sustrato que mantenga el volumen contenido
del biorreactor. interior del reactor inferior a su capacidad máxima de 20
lts. Para conocer las variables de desviación propias de
4) Balance de masa por volumen: cada lazo de control, se lleva a cabo la simulación por
duplicado: una corresponde a la referencia y la otra al sistema
dV perturbado. Posteriormente se restan ambas señales para
= Fin (8)
dt obtener la respuesta generada por el escalón y, con ello, se
cuantifican los parámetros k, τ y θ, propios de la función de
5) Balance de energı́a para el mosto:
transferencia, a través de ajuste por mı́nimos cuadrados en
q̇m = q̇alim − q̇j + q̇p + q̇s (9) la planilla FOPDT.xlsx, a partir de la Macro implementada
| {z } |{z} | {z } en el ambiente de MATLAB, o bien, a partir de la app PID
Entrada Salida Generación Tuner al momento de diseñar el algoritmo de control.
2) IMC: Otro algoritmo de control abordado en este en las variables manipulables. De esto último se ajustan
estudio corresponde a IMC que, de manera análoga a PID, las funciones de transferencia correspondientes a cada lazo
requiere de la caracterización de la función de transferencia abierto.
del modelo G(s) y su inversa G̃(s,) útil para definir la
función del controlador. Esta última función recibe el output Tras el ajuste y obtención de las funciones de transferencia,
de la función de transferencia y la reincorpora a modo de se implementan los algoritmos de control avanzado PI, PID
comparar el error en cada instante de lectura. A diferencia feedback e IMC sobre el primer lazo de control y PID feedback
del PID la ventaja que presenta este control por sobre el PID, e IMC en el segundo lazo, con tal de conocer el mecanismo
es que sólo posee un parámetro de ajuste (), mientras que el de acción de cada algoritmo evaluando su rendimiento según
controlador anterior posee tres. La adición de este elemento indicadores IAE e IAVU.
de control al proceso simulado se describe en la Figura 7 del
Anexo E. A. Control de la temperatura del reactor
3) Alimentación exponencial y Feedforward: Dentro de Respecto al control de temperatura del reactor se presenta
las consideraciones de metodologı́as de innovación del sistema una comparación de los controladores PI, PID e IMC en la
de control se tiene la incorporación de una alimentación expo- Figura 2. Para el análisis se realizó un escalón negativo de un
nencial presentada por Kottelat et al., (2021). La alimentación grado de temperatura en un tiempo de simulación de 35 horas.
exponencial se describe mediante la ecuación (39) que recoge En base a esto, se puede analizar que para ambos controladores
los procesos de metabolización y mantención celular descritos existe un offset, de 0,3 ºC grado para PID/PI y 1,2 ºC grado
por Biener et al., (2010). para IMC. Sin embargo, se tiene que el mejor ajuste viene
dado por el controlador PID/PI, ya que ajusta muy bien en el
µsp mr,o X0 µsp (t−t0 ) lı́mite inferior del escalón, además de poseer un menor error
FF = + mS e (15)
YX/S Sf eed IAE e IAVU como se aprecia en la Tabla I.
III. R ESULTADOS
Una vez implementadas las ecuaciones diferenciales junto B. Control de la tasa de crecimiento especı́fica
a los inputs requeridos de la sfunction, se construye el Respecto al control de la tasa de crecimiento especı́fica
esquema del proceso en Simulink tanto para el lazo de la aparente y flujo de glucosa se presenta una comparación
tasa de crecimiento especı́fica aparente como para el de la entre las alternativas estimación de µapp (Biener, Kottelat
temperatura del mosto (ver Anexo G). Con ello, se modela y sensor de biomasa) mediante un controlador IMC, esto
el comportamiento temporal de X, S, P, V, Tm y Tj durante se presenta en la Figura 3. Dentro de las consideraciones
35 horas, el cual se ilustra en las Figuras 12 - 13 del Anexo del sistema, el setpoint se efectúa en µsp = 0,1 hr−1 , se
H. Además, se realiza la comparación de la respuesta de utiliza una alimentación exponencial y la implementación de
las variables controladas frente a perturbaciones instantáneas un observador de estado. Con ello se observa que ambos
5
métodos de estimación de la tasa especı́fica aparente poseen un Como último análisis se procedió a comparar los contro-
excelente y muy similar desempeño, sin embargo, calculando ladores PID e IMC con el cálculo de la tasa de crecimiento
los errores respectivos presentes en la Tabla II el mejor ajuste especı́fica propuesta por Kottelat. Esta comparativa se presenta
viene dado por Kottelat. en la Figura 5. En ambos controladores se tiene un ajustes
similares y muy buenos. Sin embargo, cabe mencionar que
de los errores estimados y presentados en la Tabla III, ambos
controlares presentan la misma agresividad (igual IAVU), pero
el control PID tiene un mayor error acumulado (mayor IAE).
Por ende, el mejor ajuste viene dado por el controlador IMC.
Fig. 3. Comparación alternativas µapp con control IMC del lazo tasa de
crecimiento especı́fica aparente - flujo de glucosa
TABLA II
C OMPARACI ÓN FUNCIONES DE COSTO PARA B IENER Y KOTTELAT
Goffeau, A., Barrell, B. G., Bussey, H., Davis, R. W., Dujon, B.,
Para el lazo de control de tasa de crecimiento especı́fica - Feldmann, H., Galibert, F., Hoheisel, J. D., Jacq, C., Johnston, M.,
flujo de alimentación de glucosa se seleccionó el controlador Louis, E. J., Mewes, H. W., Murakami, Y., Philippsen, P., Tettelin, H. &
IMC, con IAVU = −3, 116e−5 e IAE = 1, 773. Por otro lado, Oliver, S. G. (1996). Life with 6000 genes. Science, 274(5287), 546-567.
Recuperado de https://pubmed.ncbi.nlm.nih.gov/8849441/
para el lazo de temperatura del reactor - flujo de refrigerante
se seleccionó el controlador PID, con IAVU = −0.0163 e IAE Habegger, L., Rodrigues Crespo, K., & Dabros, M. (2018). Preventing
= 6, 313. En base a esto se logro obtener una concentración overflow metabolism in crabtree-positive microorganisms through on-line
monitoring and control of fed-batch fermentations. Fermentation, 4(3), 79.
de biomasa de 86 g/L utilizando las fórmulas de estimación
propuestas por Kottelat et al, (2021). Hagman, A., Säll, T., Piškur, J. (2014). Analysis on yeast short-
term Crabtree effect and its origin. FEBS Journal, 281(21).
DOI:10.1111/febs.13019.
Finalmente, como trabajo futuro se propone en primer
lugar, comparar los valores de µapp con los de µreal para Kottelat, J., Freeland, B., & Dabros, M. (2021). Novel Strategy for the
validar y robustecer el estudio calorimétrico. Por otra parte, Calorimetry-Based Control of Fed-Batch Cultivations of Saccharomyces
cerevisiae. Processes, 9(4), 723.
se propone evaluar el rendimiento de un controlador tipo
MPC y otros elementos avanzados que finalmente permitan Malairuang, K., Krajang, M., Sukna, J., Rattanapradit, K., & Chamsart,
cuantificar estimadores de costo relativo RIAE y RIAVU entre S. (2020). High cell density cultivation of saccharomyces cerevisiae with
intensive multiple sequential batches together with a novel technique of
los dos controladores seleccionados y los que se propongan fed-batch at cell level (FBC). Processes, 8(10), 1321.
en el futuro.
Mears, L., Stocks, S. M., Sin, G., & Gernaey, K. V. (2017). A
review of control strategies for manipulating the feed rate in fed-batch
R EFERENCES fermentation processes. Journal of biotechnology, 245 , 34-46.
Bao, X., Ocket, I., Bao, J., Doijen, J., Zheng, J., Kil, D., ... & Nauwelaers, Müller, M., Meusel, W., Husemann, U., Greller, G., & Kraume,
B. (2018). Broadband dielectric spectroscopy of cell cultures. IEEE M. (2018). Application of heat compensation calorimetry to an E. coli
Transactions on Microwave Theory and Techniques, 66(12), 5750-5759. fed-batch process. Journal of biotechnology, 266, 133-143.
Bastin, G., Dochain, D. (1990). On-line Estimation and Adaptive Petre, E., Seliteanu, D., & Roman, M. (2021). Advanced nonlinear control
Control of Bioreactors. Elsevier, Amsterdam; New York. strategies for a fermentation bioreactor used for ethanol production.
Bioresource Technology, 328, 124836.
Biener, R., Steinkämper, A., & Hofmann, J. (2010). Calorimetric
control for high cell density cultivation of a recombinant Escherichia Schuler, M. M., Sivaprakasam, S., Freeland, B., Hama, A., Hughes,
coli strain. Journal of biotechnology, 146(1-2), 45-53. K. M., & Marison, I. W. (2012). Investigation of the potential of
biocalorimetry as a process analytical technology (PAT) tool for
Biener, R., Steinkämper, A., & Horn, T. (2012). Calorimetric control monitoring and control of Crabtree-negative yeast cultures. Applied
of the specific growth rate during fed-batch cultures of Saccharomyces microbiology and biotechnology, 93(2), 575-584.
cerevisiae. Journal of biotechnology, 160(3-4), 195-201.
Tristezza, M., Tufariello, M., Capozzi, V., Spano, G., Mita, G.,
Çalik, P., Hoxha, B., Çalik, G., & Özdamar, T. H. (2018). Hybrid fed- Grieco, F. (2016). The oenological potential of Hanseniaspora uvarum
batch bioreactor operation design: control of substrate uptake enhances in simultaneous and sequential co-fermentation with Saccharomyces
recombinant protein production in high-cell-density fermentations. cerevisiae for industrial wine production. Frontiers in Microbiology, 7,
Journal of Chemical Technology & Biotechnology, 93(11), 3326-3335. 670.
Dabros, M., Amrhein, M., Bonvin, D., Marison, I. W., & von Wang, G., Huang,M., Nielsen, J. (2017). Exploring the potential
Stockar, U. (2009). Data reconciliation of concentration estimates from of Saccha-romyces cerevisiae for biopharmaceutical protein
mid-infrared and dielectric spectral measurements for improved on-line production.Current opinion in biotechnology, 48, 77-84.
monitoring of bioprocesses. Biotechnology progress, 25(2), 578-588.
Well-known. (s.f.). 30L Jacket Glass Reactor. https://www.rotovap-
Dewasme, L., Coutinho, D., & Wouwer, A. V. (2011). Adaptive wellknown.com/jacketed-glass-reactor/30L-jacket-glass-reactor.html
and robust linearizing control strategies for fed-batch cultures of
microorganisms exhibiting overflow metabolism. In Informatics in
Control, Automation and Robotics (pp. 283-305). Springer, Berlin,
Heidelberg.
Dunn, B., Richter, C., Kvitek, D. J., Pugh, T., & Sherlock, G.
(2012). Analysis of the Saccharomyces cerevisiae pan-genome reveals a
pool of copy number variants distributed in diverse yeast strains from
differing industrial environments. Genome research, 22(5), 908-924.
Ehgartner, D., Hartmann, T., Heinzl, S., Frank, M., Veiter, L.,
Kager, J., ... & Fricke, J. (2017). Controlling the specific growth rate via
biomass trend regulation in filamentous fungi bioprocesses. Chemical
Engineering Science, 172, 32-41.
A NEXO A
E STADO DEL ARTE EN M ÉTODOS DE CONTROL Y VARIABLES MEDIDAS
TABLA IV
VARIABLES MEDIBLES DEL ESTADO DEL ARTE
Variables medidas en distintos métodos de control propuestos en la literatura (Mears et al., 2017). El atributo Online se
refiere al método de monitorización de la variable medida en tanto puede realizar lecturas de forma continua e in vivo. En
contraposición, Offline se refiere a la realización de lecturas en forma discreta con intervalos de tiempo normalmente extensos.
”Calculado” indica que la variable en cuestión no es directamente medida a través de sensores y, en su lugar, se vale de
observadores de estado u otros algoritmos capaces de cuantificar una variable de interés a partir de otra variable sensada.
8
A NEXO B
D EDUCCI ÓN DE LOS BALANCES DE MASA Y ENERG ÍA PARA LA MODELACI ÓN
1) Balance de biomasa:
:−0Salida :0
:+0Generación − Consumo
Entrada
Acumulación = (17)
dm
= rX m (18)
dt
d(XV )
= rX XV (19)
dt
Donde X corresponde a la concentración de biomasa (g/m3 ) y V el volumen de la solución que varı́a linealmente en el tiempo
en proporción al flujo de alimentación según su expresión:
V (t) = V0 + Fin t (20)
Donde V0 corresponde al volumen inicial contenido en el biorreactor, y Fin al flujo volumétrico entrante. Finalmente, se
resuelve la ecuación 19:
d(XV ) dX dV
=V +X = rX XV
dt dt dt
dX Fin
+X = rX X
dt V
dX Fin
= rX X − X (21)
dt V
Donde rX corresponde a la tasa de generación de biomasa global que puede articularse como µreal y que se descompone según
las tres reacciones metabólicas por las que atraviesa S. cerevisiae: (2) Oxidación de sustrato, (3) Fermentación de sustrato y
(4) Oxidación de producto (Dewasme, Coutinho & Wouwer, 2011).
min(rS , rS crit )
r1 = (22)
kS1
max(0, rS − rS crit )
r2 = (23)
kS2
−rS )
max(0, kos (rSkcrit
op
P
P +KP )
r3 = (24)
kP 3
Estas tres tasas no lineales de consumo describen la etapa metabólica en la que se encuentra el cultivo y que depende tanto
de la disponibilidad de sustrato como de la concentración de etanol. Finalmente, se multiplica cada tasa de generación ri por
un coeficiente kXi que estima el rendimiento en la generación de biomasa de cada reacción, obteniendo finalmente la tasa
de generación global rX (equivalente a la tasa de crecimiento especı́fica real). De este modo, se reescribe la ecuación 21 en
términos de la tasa de dilución D (= FVin ) y se obtiene el mismo comportamiento para la concentración de biomasa descrita
por Dewasme, Coutinho & Wouwer (2011):
dX
= (kX1 r1 + kX2 r2 + kX3 r3 )X − DX (25)
dt
donde kX1 r1 + kX2 r2 + kX3 r3 = µreal .
d(SV )
= Sin Fin − rS XV (27)
dt
Donde Sin representa es la concentración de sustrato que ingresa al biorreactor y rSX el consumo de sustrato por parte del
cultivo equivalente a kS1 r1 + kS2 r2 .
dS dV
V + S = Sin Fin − rS XV (28)
dt dt
dS
+ DS = DSin − rS X (29)
dt
dS
= DSin − (kS1 r1 + kS2 r2 )X − DS (30)
dt
9
De manera análoga al balance de biomasa, se conoce la ecuación diferencial que describe la concentración de producto (etanol)
generada por el cultivo:
dP
= rP X − DP (32)
dt
Donde rP corresponde a la tasa de producción de etanol equivalente a kP 2 r2 + kP 3 r3 resultando en:
dP
= (kP 2 r2 + kP 3 r3 )X − DP (33)
dt
Otros balances diferenciales relativos a especies como O2 y CO2 no serán abordados dentro de este estudio pues se supone
concentraciones de saturación de estos gases.
Donde Tin es la temperatura del flujo de alimentación al fed-batch y Tj la temperatura de la chaqueta. U es el coeficiente
global de transferencia de calor y Aj la superficie de intercambio de calor entre el biorreactor y la chaqueta. El término ∆Hr O2
M MO 2
corresponde al calor generado por el cultivo debido al uptake de O2 y M MO 2 la masa molar de este gas. Ws es la energı́a
aportada por agitación cuyo valor es fijo y corresponde a la potencia del agitador. Reestructurando la ecuación 37 se tiene:
dTm Fin U Aj (Tm − Tj ) ∆HrO 2 Ws
= (Tin − Tm ) − + + (38)
dt V ρm cpm V M MO 2 ρm cpm V ρm cpm V
Cualquier otro aporte calorı́fico al volumen de control se considera despreciable frente a los ya descritos (Biener et al. 2012).
A su vez, el calor liberado por la metabolización de sustrato q˙p se representa según la ecuación (39) aportada por Biener et
al., (2010):
µ
qp = ( + mainδ )V X (39)
Yδ
Donde Yµδ corresponde al calor asociado al crecimiento celular y mainδ a las reacciones de mantenimiento (ambas se consideran
constantes). Luego, la diferenciación temporal de 39 da lugar a:
dqp µ d(V X)
= ( + mainδ ) (40)
dt Yδ dt
Incorporando la expresión de 25 en 40 se tiene:
dqp µ dX
= ( + mainδ )(Fin X + V ) (41)
dt Yδ dt
Incorporando nuevamente la expresión de 25:
dqp µ
= ( + mainδ )(Fin X + V µX − Fin X) (42)
dt Yδ
10
De forma análoga a las expresiones para q̇i presentadas en la ecuación 37 y siguiendo la ley 0 de la termodinámica, se tiene:
dTj
V ρj cpj = U Aj (Tm − Tj ) − cpj (Tj − Tjin )Fjin ρj (47)
dt
Donde el primer sumando considera Tm > Tj , por lo que representa el aporte energético desde el biorreactor hacia la chaqueta.
El segundo sumando, por su parte, da cuenta del calor que se pierde por el continuo recambio de refrigerante proporcional a
Fjin .
dTj U Aj (Tm − Tj ) Fin
= − (Tj − Tjin ) (48)
dt V ρj cpj V
Se considera el supuesto de que la chaqueta cubre la totalidad del biorreactor y que es de naturaleza adiabática, por lo que se
descartan pérdidas de calor hacia el ambiente.
11
A NEXO C
PAR ÁMETROS EMPLEADOS PARA LA MODELACI ÓN MATEM ÁTICA
TABLA V
PAR ÁMETROS
A NEXO D
C ONTROLADOR PID
A NEXO E
C ONTROLADOR IMC
A NEXO F
A LIMENTACI ÓN EXPONENCIAL Y LAZO DE CONTROL
A NEXO G
I MPLEMENTACI ÓN DEL PROCESO EN S IMULINK
A NEXO H
S IMULACIONES DEL PROCESO
A. Concentraciones y volumen
En la Figura 12 se muestran las concentraciones y el volumen del reactor en el tiempo. Se observa que se tienen condiciones
de sustrato limitante, frente a lo cual la biomasa opta por reproducirse por sobre la producción de etanol. La tasa de crecimiento
varı́a según la concentración de sustrato y producto en el medio, manteniéndose constante una vez se agota el etanol. Por otra
parte, se observa que el volumen va aumentando progresivamente según ingresa flujo de alimentación.
B. Temperaturas
En la Figura 13, se ilustra el comportamiento de la temperatura del mosto y la de la chaqueta a lo largo de 35 horas de
simulación. Se observa que ambas convergen a la temperatura del refrigerante, lo que se debe a la ausencia de control y al flujo
constante de refrigerante. Cabe mencionar que si se aumenta la temperatura del refrigerante, ambas temperaturas simuladas
convergen a valores fijos pero distintos entre sı́ debido a que se produce un equilibrio termodinámico.
15
Fig. 13. Simulación de las temperaturas del mosto y de la chaqueta durante 35 horas.
16
A NEXO I
S ENSOR DE NIVEL DE L ÍQUIDO
TABLA VI
DATOS SENSOR DE NIVEL
A NEXO J
S ENSOR DE BIOMASA
TABLA VII
DATOS SENSOR DE BIOMASA
A NEXO K
C OMPARACI ÓN B OMBAS PERIST ÁLTICAS
TABLA VIII
C OMPARACI ÓN DE BOMBAS PERIST ÁLTICAS PARA FLUJO DE ALIMENTACI ÓN DE GLUCOSA
Fig. 18. Datasheet de las bombas de glucosa BT100M y DG Series (BT100MDG1 12)
Fig. 21. Gráficos del caudal en función de las RPM para las bombas estudiadas.
21
A NEXO L
S ENSORES DE TEMPERATURA
TABLA IX
C OMPARACI ÓN DE SENSORES DE TEMPERATURA
.
23