Disenodeunsensor PDF

INSTITUTO POLITCNICO NACIONAL
UNIDAD PROFESIONAL INTERDISCIPLINARIA DE

BIOTECNOLOGA
TESIS
Presentada para obtener el grado de
MAESTRO EN CIENCIAS EN BIOPROCESOS
por
Vicente Pea Caballero
Ingeniero Biotecnlogo
Diseo de un sensor suave para

estimar el kLa de un sistema
fermentacin utilizando
sistemas no lineales
Dirigida por
Dr. Agustn Ignacio Cabrera Llanos
Mxico, Distrito Federal Septiembre 2008

14 NDICE GENERAL
0.3. Dedicatorias y Agradecimientos

Dedico este trabajo a:
Mi madre y en especial Gloria
Agradezco a:
Mi familia
Mi mama
Mara Caballero Garca por darme la oportunidad de estar en este camino
tan maravilloso que es la vida y por ayudarme entender que la vida podra ser
lo que so, pero sobre todo por tu ejemplo de lucha da a da en tu forma de
ver y entender la realidad y por darme amor con tan slo una mirada.
A mi hermano Jos Juan Pea Caballero y su familia Teresa, Jenny, Fanny

y Oscar por su apoyo.
A la familia Granados Mercado por la confianza depositada en mi persona,
gracias Gloria por apoyarme en este sueo y sobre todo por darme la oportu-
nidad de estar a tu lado.
A mi asesor
Dr. Agustn Ignacio Cabrera Llanos
Un especial agradecimiento por su ayuda y direccin en este trabajo, por
su ejemplo de disciplina y constancia en el trabajo y por los conocimientos
adquiridos pero sobre todo por sus consejos y amistad.
A mis evaluadores
Dr. Claudio Garibay Origel, Dr. Edgar Salgado Manjarrez, Dr. Juan Sil-
vestre Aranda Barradas y Dr. Sergio Garca Salas gracias por su paciencia y
tiempo dedicado a este trabajo. En especial a los Drs. Edgar y Juan por ser un
ejemplo de pasin al trabajo en las aulas y en la ciencia y por su entrega por la
biotecnologa en UPIBI y por ser pilares de lo que fue, lo que es y lo que ser
nuestra casa de estudios.
A mis amigos
Sergio Medina Llanos, un especial agradecimiento por tu ayuda en aque -
llos momentos tan difciles gracias, siempre te estar agradecido y Naur Flores
Uscanga.
ndice general
0.1. Indice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

0.2. Indice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
0.3. Dedicatorias y Agradecimientos . . . . . . . . . . . . . . . . . . . 14
0.4. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
0.5. Justificacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
0.6. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
0.7. Objetivos particulares . . . . . . . . . . . . . . . . . . . . . . . . 17
0.8. Contenido de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . 17
1. Anlisis del sistema: Biorreactor 1

1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Consideraciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Modelo del bioreactor tanque agitado continuo . . . . . . . . . . 2
1.4. Anlisis del biorreactor . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1. Balance general de masa . . . . . . . . . . . . . . . . . . . 5
1.4.2. Biomasa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.3. Substrato . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.4. Producto . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.5. Reactor lote . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.6. Reactor lote alimentado . . . . . . . . . . . . . . . . . . . 7
1.4.7. Reactor continuo . . . . . . . . . . . . . . . . . . . . . . . 9
1.5. Transferencia de Masa gas-Lquido . . . . . . . . . . . . . . . . . 10
1.5.1. Transferencia de masa en interfase gas-lquido . . . . . . . 12
1.5.2. Transferencia de masa gas-lquido . . . . . . . . . . . . . . 13
1.5.3. Velocidad volumtrica de transferencia de oxgeno . . . . 13
1.6. Balance de masa para Ct en fase liquida . . . . . . . . . . . . . . 14
1.7. Determinacin del coeficiente volumtrico de transferencia de masa 15
1.7.1. Mtodos para determinar kL a . . . . . . . . . . . . . . . . 15
1.7.2. Mtodo dinmico modificado . . . . . . . . . . . . . . . . 17
1.8. Control de oxgeno en los procesos de fermentacin . . . . . . . . 17
3
4 NDICE GENERAL
2. Sistemas no Lineales 19
2.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2. Sistema no lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3. Redes neuronales artificiales . . . . . . . . . . . . . . . . . . . . . 21
2.3.1. Modelo de la neurona artificial . . . . . . . . . . . . . . . 23
2.3.2. La funcin de activacin () . . . . . . . . . . . . . . . . 24
2.3.3. Estructuras de las redes neuronales artificiales . . . . . . 25
3. Sensores Virtuales 29
3.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.1. Monitoreo de procesos de fermentacin . . . . . . . . . . . 30
3.1.2. Estimadores de estados y parmetros en bioprocesos . . . 31
3.2. Estimacin a travs de elementos de ba-lance . . . . . . . . . . . 34
3.2.1. Estimacin a travs de observadores adaptables . . . . . . 34
3.2.2. Tcnicas de filtrado . . . . . . . . . . . . . . . . . . . . . 36
3.2.3. Redes neuronales artificiales . . . . . . . . . . . . . . . . . 36
3.2.4. Redes neuronales diferenciales . . . . . . . . . . . . . . . . 36
4. Diseo del Estimador para el Prametro kL at 37

4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2. Metodologa experimental . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1. Sistemas de cultivos . . . . . . . . . . . . . . . . . . . . . 37
4.2.2. Fermentacin: S. cerevisiae . . . . . . . . . . . . . . . . . 38
4.2.3. Fermentacin: A. vinelandii . . . . . . . . . . . . . . . . . 38
4.3. Metodologa para el software sensor: diagrama a bloques . . . . . 39
4.4. Modelo del bioreactor: esquema bsico . . . . . . . . . . . . . . . 41
4.4.1. Dinmica general del modelo . . . . . . . . . . . . . . . . 42
4.5. Redes neuronales diferenciales . . . . . . . . . . . . . . . . . . . . 43
4.5.1. Identificador de estados . . . . . . . . . . . . . . . . . . . 45
4.5.2. Observador de estados . . . . . . . . . . . . . . . . . . . . 46
4.5.3. Mtodo de entrenamiento de la red . . . . . . . . . . . . . 48
4.6. Estimacin de parmetros: algoritmos . . . . . . . . . . . . . . . 50

4.6.1. Modelo matemtico del proceso de fermentacin . . . . . 50
4.7. Estado estable o cuasi-estable . . . . . . . . . . . . . . . . . . . . 52
4.8. Coeficiente volumtrico de transferencia de oxgeno aparente . . . 54
4.9. Anlisis de estabilidad del biorreactor . . . . . . . . . . . . . . . 54
4.10. Estimador en linea para la velocidad especfica de crecimiento, t 55
4.10.1. Estabilidad y convergencia: caso libre de perturbaciones . 56
4.10.2. Estabilidad y convergencia: caso con perturbaciones . . . 60
4.11. Estimador 2: Coefciente volumtrico de transferencia de masa,
kL at . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.11.1. Prueba de estabilidad del estimador de kL at . . . . . . . 65
4.12. Solucin de los algoritmos . . . . . . . . . . . . . . . . . . . . . . 66
NDICE GENERAL 5
5. Resultados y Discusin 69
5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2. Datos experimentales: Base de datos . . . . . . . . . . . . . . . . 69
5.2.1. Coeficientes de rendimiento de masa . . . . . . . . . . . . 71
5.3. Aplicacin del software sensor a datos experimentales . . . . . . 71
5.4. Diseo de la red neuronal diferencial . . . . . . . . . . . . . . . . 72
5.5. Diseo de los parmetros del neuro-observador diferencial . . . . 73
5.6. Corrida experimental CDA: Reactor lote alimentado (S. cerevisiae) 74
5.6.1. Estados experimentales . . . . . . . . . . . . . . . . . . . 74
5.6.2. Dinmica de alimentacin al biorreactor . . . . . . . . . . 75
5.6.3. Estimacin de los parmetros experimentales o tericos
bExp
t y kL aExp
t . . . . . . . . . . . . . . . . . . . . . . . . 76
5.6.4. Diseo A de los parmetros C1 y C2 . . . . . . . . . . . 76
5.6.5. Observacin del error XtExp X btExp . . . . . . . . . . . . 77
5.6.6. Norma del error de X bt . . . . . . . . . . . . . . . . . . .
Exp
77
5.6.7. Evolucin de la velocidad especfica de crecimiento esti-
mada, bExp
t .. . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.6.8. Coeficiente volumtrico de transferencia de masa teorco
kL aExp
t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.6.9. Diseo B los parmetros C1 y C2 . . . . . . . . . . . . . 79
b Exp
5.6.11. Norma del error de Xt . . . . . . . . . . . . . . . . . . . 80
mada, bExp
t .. . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.6.13. Coeficiente volumtrico de transferencia de masa terico
kL aExp
t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.6.14. Seleccin final de los parmetros C1 y C2 . . . . . . . . . 81
5.6.16. Norma del error de X bt . . . . . . . . . . . . . . . . . . .
Exp
82
mada, bExp
t .. . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.6.18. Coeficiente volumtrico de transferencia de masa terico
kL aExp
t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.6.19. Estimacin de estados experimentales . . . . . . . . . . . 85
5.6.20. Identificacin de estados experimentales . . . . . . . . . . 85
5.6.21. Dinmica de la ley de aprendizaje . . . . . . . . . . . . . 86
5.6.22. Observacin de estados experimentales . . . . . . . . . . . 87
5.6.23. Biomasa observada, XtObs . . . . . . . . . . . . . . . . . . . 88
5.6.24. Substrato observado, StObs . . . . . . . . . . . . . . . . . . 89
5.6.25. Oxgeno observado, CtObs . . . . . . . . . . . . . . . . . . 90
5.6.26. Volumen observado, VtObs . . . . . . . . . . . . . . . . . . 90
5.6.27. Estimacin del coeficiente volumtrico de transferencia de
obs
masa kd L at . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.6.28. Velocidad especfica de crecimiento, bObs
t . . . . . . . . . . 91
5.6.29. Diseo de los parmetros C1 y C2 : Diseo A . . . . . . . 91
6 NDICE GENERAL
5.6.30. Diseo de los parmetros C1 y C2 : Diseo B .

. . . . . . 94
5.6.31. Diseo de los parmetros C1 y C2 : Diseo C .
. . . . . . 94
5.6.32. Diseo de los parmetros C1 y C2 : Diseo D .
. . . . . . 95
5.6.33. Diseo de los parmetros C1 y C2 : Diseo E. .
. . . . . . 95
5.6.34. Diseo de los parmetros C1 y C2 : Diseo F. .
. . . . . . 96
obs
5.6.35. Coeficiente volumtrico de transferencia de masa kL at . d 97
5.7. Corrida experimental CDA-1: Reactor lote alimentado (S. cere-
viciae) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.7.2. Identificacin de estados experimentales: XtExp , StExp , VtExp
y CtSetpoint . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.7.3. Evolucin de los pesos . . . . . . . . . . . . . . . . . . . . 101
5.7.4. Entrenamiento de la RND . . . . . . . . . . . . . . . . . . 101
5.7.5. Flujo de alimentacin al biorreactor . . . . . . . . . . . . 102
5.7.6. Velocidad especfica de crecimiento experimental . . . . . 102
5.7.7. Estimacin de la velocidad especifca de crecimiento ex-
perimental (Exp
t ) . . . . . . . . . . . . . . . . . . . . . . 103
5.7.9. Norma del error de X btExp . . . . . . . . . . . . . . . . . . . 104
5.7.10. Coeficiente volumtrico de transferencia de masa de ref-
erencia, kL aExp
t . . . . . . . . . . . . . . . . . . . . . . . . 105
5.7.11. Observacin de estados experimentales. . . . . . . . . . . 105
5.7.12. Velocidad especifica de crecimiento observada, bObs
t . . . . 108
obs
5.7.13. Coeficiente volumtrico de transferencia de masa kd La . t 109
5.8. Corrida experimental CDA-2: Reactor lote alimentado ( S. cere-
visiae) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.8.2. Flujo de alimentacin al biorreactor . . . . . . . . . . . . 110
5.8.3. Velocidad especfica de crecimiento experimental, Exp . . 111
5.8.4. Estimacin de la velocidad especifca de crecimiento ex-
perimental (bExp
t ) . . . . . . . . . . . . . . . . . . . . . . 112
5.8.6. Coeficiente volumtrico de transferencia de masa aparente 113
5.8.7. Identificacin de estados experimentales: XtExp , StExp , VtExp
y CtSetpoint . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.8.9. Estimacin de biomasa y substrato . . . . . . . . . . . . . 116
5.8.11. Velocidad especifica de crecimiento observada, bObs
t . . . 119
5.8.12. Norma del error . . . . . . . . . . . . . . . . . . . . . . . 120
obs
5.8.13. Coeficiente volumtrico de transferencia de masa kd L at . 121
5.9. Corrida experimental CDA-IBT: Reactor lote ( A. vinelandii) . . 122
0.1. INDICE DE FIGURAS 9
0.1. Indice de Figuras

1-1: Arreglos para operacin del biorreactor
1-2: Biorreactor
1-3: Modelo fsico para la transferencia de oxgeno a travs de la pelcula de
lquido
1-4: Resistencias que presenta el oxgeno antes de que sea consumido por las
clulas
1-5: Mtodo dinmico
1-6: Determinacin grafica de kL at
2-1. Biorreactor y su interaccin con el medio ambiente
2-2. Modelo bsico de la red neuronal artificial
2-3: Funcin sigmoide
2-4. Estructuras de las RNA
3-1: Mediciones comunes y control del biorreactor
3-2. Estructura de un observador de Luenberger
4-1: Esquema general de control de un biorreactor
4-2: Diagrama general a bloques de la metodologa
4-3: Sistema (biorreactor)
4-4: Diagrama a bloque del observador basado en RND
4-5: Diagrama a bloques para el idendificador
4-6: Diagrama a bloques de la estructura del observado
4-8: Diagrama en Simulink para simular t Exp y kL aExp t .
4-7 Dinmica de St , reactor lote alimentado (S. cerevisiae)
5-1: Evolucin de los datos experimentales CDA
5-2: Dinmica del flujo de alimentacin en el biorreactor para CDA
5-3: CDA. Evolucin de XtExp X btExp con C1 = 0,007 Lh1 g 1 y C2 =
0,1225 L2 h2 g 2
5-4: CDA. Norma del error de X btExp con C1 = 0,007 Lh1 g 1 y C2 = 0,1225
L2 h2 g 2
5-5: CDA. Evolucin de bExp
t con C1 = 0,007 Lh1 g 1 y C2 = 0,1225
L2 h2 g 2
5-6: CDA. Evolucin de kL aExp t con C1 = 0,007 Lh1 g 1 y C2 = 0,1225
L2 h2 g 2
5-7: CDA. Evolucin de XtExp X btExp con C1 = 0,07 Lh1 g 1 y C2 = 0,1225
L2 h2 g 2
L2 h2 g 2
t con C1 = 0,07 Lh1 g 1 y C2 = 0,1225
L2 h2 g 2
5-10: CDA. Evolucin de kL aExp t con C1 = 0,07 Lh1 g 1 y C2 = 0,1225
L2 h2 g 2
5-11: CDA. Evolucin de XtExp X btExp con C1 = 7,7 Lh1 g 1 y C2 =
14,8225 L2 h2 g 2
L2 h2 g 2
NDICE GENERAL 7
5.9.2. Velocidad especfica de crecimiento experimental estima-

bExp
da, t . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.9.3. Identificacin de estados experimentales: XtExp , StExp , VtExp 124
5.9.5. Observacin de los estados experimentales con el NOD . . 126
5.9.6. Substrato . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.9.7. Oxgeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

5.9.9. Velocidad especfica de crecimiento observada, bObs
t . . . 129
5.9.10. Norma del error bExp
t b
Obs
t . . . . . . . . . . . . . . . . 130
5.9.11. Observacin del error de XtObs X btObs . . . . . . . . . . . 131
5.9.12. Norma del error de X btObs . . . . . . . . . . . . . . . . . . 132
obs
5.9.13. Coeficiente volumtrico de transferencia de masa kd L at . 133
5.9.14. Desviacin de los valores estimados con respecto a los
datos experimentales . . . . . . . . . . . . . . . . . . . . . 135
5.9.15. Observacin de estados experimentales con el observador
basado en RND . . . . . . . . . . . . . . . . . . . . . . . . 136
5.9.16. Desempeo del estimador con perturbaciones . . . . . . . 138
6. Conclusiones Generales 141
Apndices 143
.1. Apndice 1: Medios de cultivo: S. cerevisiae . . . . . . . . . . . . 143
.1.1. Medio de conservacin de la levadura . . . . . . . . . . . 143
.1.2. Medio de cultivo sinttico . . . . . . . . . . . . . . . . . . 143
.1.3. Solucin de minerales . . . . . . . . . . . . . . . . . . . . 143
.1.4. La solucin de vitaminas . . . . . . . . . . . . . . . . . . 144
.1.5. Preparacin del inculo . . . . . . . . . . . . . . . . . . . 144
.2. Apndice 2: Estimador para t . . . . . . . . . . . . . . . . . . . 144
.3. Apndice 3: Estimador para kL at . . . . . . . . . . . . . . . . . . 146
.4. Apndice 4: Eigenvalores . . . . . . . . . . . . . . . . . . . . . . . 148
.5. Apndice 5: Sistema lineal de segundo orden . . . . . . . . . . . . 149
.6. Apndice 6: Corolario A . . . . . . . . . . . . . . . . . . . . . . . 151
.7. Apndice 7: Solucin de la ecuacin de Lyapunov . . . . . . . . . 151
.8. Apndice 8: Prueba de la funcin de Lyapunov para la RND . . . 152
.9. Apndice 9: Teora de Estabilidad de Lyapunov . . . . . . . . . 157
.9.1. Teora de estabilidad de Lyapunov . . . . . . . . . . . . . 157

.9.2. Matriz definida positiva . . . . . . . . . . . . . . . . . . . 157
.9.3. Funcin definida positiva . . . . . . . . . . . . . . . . . . 158
.9.4. Funcin definida negativa . . . . . . . . . . . . . . . . . . 158
.9.5. Funciones de Lyapunov . . . . . . . . . . . . . . . . . . . 158
.9.6. Mtodo indirecto de Lyapunov . . . . . . . . . . . . . . . 159
8 NDICE GENERAL
.9.7. Mtodo directo de Lyapunov . . . . . . . . . . . . . . . . 159

.9.8. Sistemas autnomos . . . . . . . . . . . . . . . . . . . . . 160
10 NDICE GENERAL

t con C1 = 7,7 Lh1 g 1 y C2 = 14,8225
2 2 2
L h g
5-14: CDA. Evolucin de kL aExp t conC1 = 7,7 Lh1 g 1 y C2 = 14,8225
2 2 2
L h g
2 2 2
L h g
5-16: CDA. Estados identificados
5-17: CDA. Evolucin de W1,t identificacin de estados
5-18: CDA. Evolucin de W2,t identificacin de estados
5-19: CDA. Evolucin de W1,t observador de estados
5.20: CDA. Evolucin de W1,t observador de estados
5-21: CDA. Biomasa observada, XtObs
5-22. CDA: Biomasa observada, StObs
5.23: CDA. Oxgeno observado, CtObs
5-24: CDA. Biomasa observada, VtObs
bObs
5-25: CDA. Evolucin de t con C1 = 0,7 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2
5-26: CDA. Evolucin de X btObs con C1 = 0,7 Lh1 g 1 y C2 = 0,1225
2 2 2
L h g
5-27: CDA. Norma del error de X btObs con C1 = 0,7 Lh1 g 1 y C2 = 0,1225
2 2 2
L h g
5-28: CDA. Evolucin de bObs
t con C1 = 1,4 Lh1 g 1 y C2 = 0,49 L2 h2 g 2
Obs
5-29: CDA. Evolucin de bt con C1 = 2,1 h1 y C2 = 1,1025 g 2 L2 h1
t con C1 = 2,8 Lh1 g 1 y C2 = 1,96 L2 h2 g 2
Obs
bt con C1 = 3,5 Lh1 g 1 y C2 = 3,0625 L2 h2 g 2
5-31: CDA. Evolucin de
t con Diseo F: C1 = 4,2 Lh1 g 1 y C2 = 4,41
2 2 2
L h g
5-33: CDA. Error relativo absoluto en el diseo de C1 y C2
obs
5-34: CDA. Evolucin de kd L at para C1 = 100 Lh1 g 1 y C2 = 250 103
2 2 2
L h g
obs
5-35: CDA. Evolucin de kdL at para C1 = 3000 Lh1 g 1 y C2 = 2250103
2 2 2
L h g
obs
5-36: CDA. Evolucin de kdL at para C1 = 7000 Lh1 g 1 y C2 = 12250103
L2 h2 g 2
obs
5-37: CDA. Evolucin de kd L at para C1 = 10000 Lh1 g 1 y C2 = 25000
3 2 2 2
10 L h g
5-38: CDA. Error relativo absoluto en el diseo de C1 y C2
5-39: CDA-1.Evolucin de los datos experimentales
5-40:CDA-1. Estados experimentales identificados con la RND
5-41:CDA-1. Evolucin de W1,t en el identificador
5-42:CDA-1. Evolucin de W2,t en el identificador
5-43:CDA-1.Danmica del fllujo de alimentacin en el biorreactor
5-44:CDA-1. Evolucin de la velocidad especfica de crecimiento calculada
5-45:CDA-1. Evolucin de bExp
t con C1 = 7,7 Lh1 g 1 y C2 = 14,8225
L2 h2 g 2
0.1. INDICE DE FIGURAS 11
5-46:CDA-1. Evolucin de X btExp con C1 = 7,7 Lh1 g 1 y C2 = 14,8225

2 2 2
L h g
5-47:CDA-1. Norma del error de X btExp con C1 = 7,7 Lh1 g 1 y C2 =
2 2 2
14,8225 L h g
5-48: CDA-1.Evolucin de kL aExpt
5-49: CDA-1:Biomasa observada, XtObs
5-50: CDA-1. Substrato observado, StObs
5-51: CDA-1. Volumen observado, VtObs
5-52: CDA-1. Oxgeno observado, CtObs
5-53: CDA-1. Evolucin de W1,2 observador de estados
5-54: CDA-1.Evolucin de W2,t observador de estados
5-55: CDA-1.Evolucin de bObs
t con C1 = 7,7 Lh1 g 1 y C2 = 14,8225
2 2 2
L h g
obs
5-56: CDA-1. Evolucin de kd L at para C1 = 10 103 Lh1 g 1 y C2 =
8 2 2 2
25 10 . L h g
5-57: CDA-2. Evolucin de los estos experimentales
5-58: CDA-2. Dinmica del flujo de alimentacin al biorreactor
5-59: CDA-2: Velocidad especfica de crecimiento experimental
5-60: CDA-2. Evolucin de bExp
t con C1 = 5,6 Lh1 g 1 y C2 = 7,84
2 2 2
.L h g
5-61: CDA-2. Evolucin de X btExp con C1 = 5,6 Lh1 g 1 y C2 = 7,84
2 2 2
.L h g
5-62: CDA-2. Norma del error de XtExp con C1 = 5,6 Lh1 g 1 y C2 = 7,84.
2 2 2
L h g
5-63: CDA-2. Coeficiente volumtrico de transferencia de oxgeno experi-
mental o aparente
5-64: CDA-2. Estados identificados por la RND
5-65: CDA-2. Evolucin de W1,t en el identificador
5-66: CDA-2. Evolucin de W2,t en el identificador
5-67: CDA-2. Biomasa observada, XtObs
5-68: CDA-2. Substrato observado, StObs
5-69: CDA-2. Volumen observado VtObs
5-70: CDA-2. Oxgeno observado., CtObs
5.71: CDA-2. Evolucin de W1,t observador de estados
5.72: CDA-2. Evolucin de W2,t observador de estados
5-73: CDA-2. Evolucin de bObs
t con C1 = 3,5 Lh1 g 1 y C2 = 3,0625
2 2 2
L h g para c)
5-74: CDA-2. Norma del error de bObs
t con C1 = 3,5 Lh1 g 1 y C2 = 3,0625
2 2 2
L h g para c)
obs
5-75: CDA-2. Evolucin de kd L at para C1 = 11 104 Lh1 g 1 y C2 =
8 2 2 2
30,25 10 L h g para c)
5-76: CDA-IBT. Estados experimentales
5-77: CDA-IBT. Evolucin de bExp
t con diferentes valores de C1 y C2
5-78: CDA-IBT. Evolucin de bExp
t con diferentes valores de C1 y C2
12 NDICE GENERAL
5-79: CDA-IBT.Estados experimentales ( XtExp , StExp , VtExp ) identificados

con la RND
5-80: CDA-IBT. Estado experimental CtExp identificado con la RND
5-81: CDA-IBT. Evolucin de W1,t en el identificador
5-82: CDA-IBT. Evolucin de W2,t en el identificador
5-83: CDA-IBT. Biomasa observada, XtObs
5-84: CDA-IBT. Substrato observado, StObs
5-85: CDA-IBT. Oxgeno observado, CtObs
5-86: CDA-IBT:volumen observado, VtObs
5-87: CDA-IBT. Magnitud de W1,t , observacin de estados
5-88: CDA-IBT. Magnitud de W2,t , observacin de estados
5-89: CDA-IBT. Evolucin de bObs
t para diferentes diseos de C1 y C2
5-90: CDA-IBT. Norma del error de bObs
t
5-91: CDA-IBT. Evolucin X btObs con diferentes diseos de C1 y C2
5-92: CDA-IBT. Norma del error de X btObs
5-93: CDA-IBT.Evolucin X bt acercamiento en 10 h t 0 h
Obs
obs
5.94: CDA-IBT. Estimacin de kd L at
5-95: CDA-IBT. Observacin del error CtExp C btObs
5-96: Seal de ruido blanco
5-97 Onservacin de la desviacin entre Cm,t y C btObs
obs
5-98 Evolucin de kdLat y kL a
t
Exp
en presencia de perturbaciones
0.2. INDICE DE TABLAS 13
0.2. Indice de Tablas

Tabla 2.1. Funciones de activacin
Tabla 5.1: Datos experimentales (Base de datos) de estados disponibles.
Tabla 5.2: Condiciones iniciales de los cultivos.
Tabla 5.3: Condiciones iniciales de los cultivos: reactor lote
Tabla 5.4: Condiciones finales de los cultivos: reactor lote alimentado
Tabla 5.5. Marcadores para la evolucin de estados y parmetros en las
figuras
Tabla 5.6. Coeficientes de rendimiento para masa y energa
Tabla 5.5 Parmetros en las funciones sigmoidales en la RND
Tabla 5.6 Matriz A en el NOD
Tabla 5.7 Parmetros en las funciones sigmoidales en el NOD
Tabla 5.5: Diferentes diseos para los parmetros C1 y C2 en el proceso de
estimacin de bExp
t
Tabla 5.6. Diseo de C1 y C2 , estimacin de bObs
t en CDA-IBT
obs
d
Tabla 5.7. Diseo de C1 y C2 , estimacin de kL a en CDA-IBT
t
bExp
Tabla 5.8. Diseo de los parmetros C1 y C2 para los estimadores t bObs
,t
obs
d
y kL at
0.4. RESUMEN 15
0.4. Resumen
En la presente tesis se introduce el uso de sistemas no lineales (observadores)
para estimar el coeficiente volumtrico de transferencia de oxgeno, kL at , de un
biorreactor.
El modelo utilizado para estimar los estados que no pueden ser medidos
en el sistema de fermentacin (biomasa y substrato principalmente) son las
Redes Neuronales Diferenciales (RND). Con las RND es posible realizar la
estimacin de los estados aun cuando existe incertidumbre en la estructura o
en los parmetros, de hecho, es posible realizar la estimacin en ausencia de un
modelo matemtico del sistema y en presencia de perturbaciones acotadas en el
estado y la salida. La velocidad especfica de crecimiento experimetal estimada,
bExp
t , se estima observando el error entre la biomasa experimental y la biomasa
estimada, XtExp X btExp , utilizando el algoritmo de estimacin propuesto por
Dochain (estimador de t ).
El algoritmo matemtico propuesto en este trabajo para estimar el parmetro
kL at , esta basado en la observacin del error entre la dinmica de evolucin del
oxgeno disponible en lnea (mediciones) y la dinmica de estimacin de oxgeno
estimado, CtExp C btExp . El algoritmo de estimacin contiene en su estructura
informacin que debe de estar disponible en lnea (informacin apriori ) del
proceso de biotransformacin, a saber, biomasa, substrato y oxgeno. Razn por
la cual, el algoritmo diseado se acopla con el modelo de la RND y el estimador
de Dochain (para estimar t ) con lo cual se logra un sistema de estimacin com-
pletamente determinado, es decir, el sensor virtual. Para probar el desempeo de
el observador propuesto se emplean en una base de datos experimentales, para
dos tipos de cultivos (S.cerevisiae y A. vinelandii ), reactor lote alimentado y
reactor lote, respectivamente. Los resultados obtenidos muestran un aceptable
desempeo del estimador para kL at en toda la evolucin de los cultivos. Para A.
vinelandii el porcentaje de error del proceso de estimacin fue de 1.45 % para
el cultivo de A. vinelandii y 7.1 % para S.cerevisiae.
Abstract
Mass transfer from the gas to liquid phase has a decisive importance for the
description of systems involving absorption, chemical reactions and
fermentation. Usually the mass transfer rate is described as proportional to the
concentration gradient, where the proportionality is given by the volumetric
mass transfer coefficient (kLa). The oxygen ( C (t ) ) transfer represents the most
important parameter implied on the design and operation of mixing-sparging
equipment of the bioreactors. It can be described and analyzed by means of
kLa.
In this work we use the Differential Neural Networks (DNN) structure and a non
linear observer, to estimate kLa in the dynamic evolution for the fed-batch model
reactor.
The estimation of the kLa is driven by observation error C (t ) C (t ) . To identify a
Saccharomyces cerevisiae fed-batch fermentation process, it is suggested that
a DNN (dynamic in continuous time) be implemented and then the states are
using to estimate the kLa parameter with the application of a non linear
observer. We assume the oxygens evolution in the aerobic system
fermentation is the only state measure on line. This evolution is used in the non
linear observer in order to estimate the kLa parameter and the results obtained
proved the applicability and efficiency of this methodology because the
corresponding experimental results demonstrate the good performance: the
identification (and observation) error has a small value.
16 NDICE GENERAL
0.5. Justificacin
La transferencia de masa en los sistemas de fermentacin desempea un
papel importante en la economa del proceso. Particularmente en los cultivos
aerobios, donde la transferencia de oxgeno es un factor clave a considerar para
el xito del proceso de biotransformacin a una escala planta piloto o indus-
trial. En un biorreactor tipo tanque agitado la capacidad de transferencia de
oxgeno es caracterizada por el coeficiente volumtrico de transferencia de masa
,kL at . Numerosos estudios se han realizado para determinar el parmetro kL at
en situaciones particulares, utilizando mtodos como oxidacin del sulfito o el
dinmico, entre otros. Tambin, se hace uso de correlaciones empricas. Recien-
temente modelos que utilizan conceptos fundamentales o la aplicacin de cien-
cia artificial, sin embargo, la metodologa existente para estimar el kL at esta
relacionada con grandes esfuerzos de trabajo experimental o altos costos para
instrumentacin, los resultados son particulares y depende de las caractersticas
de operacin para cada caso. Por otro lado el valor estimado es puntal, es decir,
en los casos donde si hay una evolucin completa del parmetro kL at de manera
dinmica a lo largo de todo el proceso implica una fuerte imversin de recursos
en equipo. Por ello el contar con una nueva metodologa que permita estimar el
parmetro kL at para toda la evolucin de la dinmica de biotransformacin de
los substratos a clulas y productos en un biorreactor de manera ms prctica
y econmica , es importante y necesario para el diseo y control de los procesos
a diferentes escalas de operacin.
En los procesos de biotransformacin se tiene conocimiento previo que los
estados pueden tomar un conjunto restringido de valores, de acuerdo a la natu-
raleza del proceso que se estudia; por ejemplo, en el caso de sistemas bilogicos
la velocidad especifca de crecimiento no puede tomar valores negativos; as mis-
mo, ninguna de las concentraciones de los componentes nunca pueden susperar
el valor correspondiente al balance de materia. Por lo tanto, se puede aprovechar
el conocimiento previo para disear observadores que permitan estimar estados
y/o parmetros que no pueden ser medidos en lnea.
0.6. OBJETIVO GENERAL 17
0.6. Objetivo General

Disear, analizar y evaluar el desempeo de un software sensor o sensor
virtual, (observador) para estimar el coeficiente volumtrico de transferncia de
masa, kL at , en un biorreactor tipo tanque agitado utilizando sistemas no lin-
eales.
0.7. Objetivos particulares

Disear un sensor suave para estimar el kL at de un sistema de fer-
mentacin utilizando redes neuronales diferenciales
Disear el identificador de estados utilizando redes neuronales diferen-
ciales
Disear el observador adaptable para estimar el parmetro kL a
Disear el neuro-observador de estados
0.8. Contenido de la Tesis

Se dise (diseo computacional) el software para estimar el kL at del modelo
del biorreactor lote alimentado (fed-batch) utilizando la herramienta de com-
putacin Simulink-MATLAB. El sensor se dise en tres etapas, en la primera
etapa se dise el software de simulacin para el biorreactor y la Red Neuronal
Diferencial (RND). En esta etapa con la RND se identificaron todos los esta-
dos (biomasa, substrato, oxgeno y volumen) proporcionados por el modelo del
biorreactor (reactor lote y lote alimentado). En la segunda etapa se desarroll
el observador adaptable para estimar el kL a, por medio de la observacin di-
recta del error entre la dinmica del oxgeno proporcionado por RND (como
neuro-observador) y la dinmica de identificacin del oxgeno generada por el
observador adaptable. En la tercera parte se dise el neuro-observador para
observar los estados que no son conocidos en el biorreactor (que no pueden
ser medidos en lnea), por ejemplo, biomasa, substrato y volumen. La RND
diseada para identificar los estados del modelo del biorreactor en la primera
etapa, es utilizada para entrenar el neuro-observador de estados y finalmente
los estados observados (biomasa, substrato y volumen) por el neuro-observador
se utilizaron en el algoritmo del observador adaptable y se estim la dinmica
del kL a.
18 NDICE GENERAL
Captulo 1
Anlisis del sistema:

Biorreactor
1.1. Introduccin
Una gran variedad de tcnicas de cultivo de microorganismos han sido de-
sarrolladas para cultivos sumergidos, por ejemplo, los cultivos en lote y lote
alimentado, los cuales han sido parte del estado del arte en el campo de las bio-
transformaciones antiguamente y que son usados en la actualidad por muchas
industrias de fermentacin[1]. Las tcnicas de cultivos en continuo son relati-
vamente nuevas y no han encontrado fuertes aplicaciones a nivel industrial, sin
embargo, son una herramienta invaluable en los estudios de laboratorio. En este
captulo se presenta de manera breve los diferentes modelos matemticos (balan-
ces de materia) para cada tipo de biorreactor: reactor lote (batch), lote alimenta-
do (feed-batch o fed-batch) y continuo (continuous) que son el punto de partida
en el anlisis del sistema (biorreactor). Tambin, se describe la importancia del
proceso de transferencia de oxgeno en un sistema de fermentacin aerobio y
sus efectos sobre el desempeo de los cultivos y finalmente las metodologas exis-
tentes en la literatura para estimar el parmetro llamado coeficiente volumtri-
co de transferencia de masa, kL a, siendo este el parmetro ms utilizado para
describir la transferencia de oxgeno en el biorreactor.
1.2. Consideraciones
Dado que el conocimiento de la dinmica del fluido (volumen de la mezcla
de reaccin) en el biorreactor es limitado, no se puede establecer una teora ver-
daderamente satisfactoria sobre este tema. Esta dificultad se debe, al conocimien-
to insuficiente de la estructura del fluido y de las fuerzas intermoleculares. Para
superar esta dificultad, ha sido frecuente enfocar la atencin al criterio de un
mezclado perfecto (estado ideal), sobre todo cuando se consideran pequeos
1
2 CAPTULO 1. ANLISIS DEL SISTEMA: BIORREACTOR
volmenes de reaccin. Para lo cual se hace necesario de las siguientes conside

raciones:
1. El volumen de la mezcla de reaccin se considera completamente mezclado,

esto es, las condiciones son uniformes a travs de todo el volumen de
reaccin.
2. La corriente de alimentacin es inmediatamente mezclada dentro del volu-

men de la mezcla de reaccin.
3. La temperatura y la composicin de la mezcla de reaccin (clulas y medio

de cultivo) son uniformes en todas las partes del reactor, es decir, la den-
sidad es constante, = cte, la temperatura es constante, T = cte.
4. La corriente de producto tiene la misma composicin como en la mezcla

de reaccin.
1.3. Modelo del bioreactor tanque agitado con-

tinuo
El biorreactor puede ser operado ptimamente en un nmero de diferentes

arreglos de flujo, la seleccin depende del sistema en particular y del desempeo
deseado. En la Figura 1-1 se ilustran algunos de estos arreglos: a) arreglo en un
slo reactor; b) dos reactores en serie, c) un slo reactor con recirculacin y d)
en serie con un reactor en flujo pistn [2].
1.4. ANLISIS DEL BIORREACTOR 3
X t =0 X t =0 Ft 2 X t1 Xt2
Ft Et Ft1 Et
1 2
a b
XtE
Et
Ft X t =0 Et 1
Xt 1
X t =0 Ft 2 X t1 XtE
Ft1 2 Et
1
XtR R
c d
Figura 1-1: Arreglos para operacin del biorreactor tipo tanque agitado.
1.4. Anlisis del biorreactor

En la Figura 1-2 se muestra esquemticamente un biorreactor tipo tanque
agitado y sus la principales corrientes relacionas con su balance de materia a la
entrada y salida.
Para el anlisis del sistema (formulacin de las ecuaciones de balance) se

tomo en cuenta la simbologa de la Figura 1-2, donde:
Ft : Velocidad volumtrica en la corriente de alimentacin, L/h.
Et : Velocidad volumtrica en la corriente de salida, L/h.
Xt |t=0 : Concentracin de clulas en la corriente de alimentacin, gcelulas /L.
Xt : Concentracin de clulas en la mezcla de reaccin, gcelulas /L.
XtE : Concentracin de clulas en la corriente de salida, gcelulas /L.
So : Concentracin de substrato en la corriente de alimentacin, g/L.
St : Concentracin de substrato en la mezcla de reaccin, g/L.
StE : Concentracin de substrato en la corriente de salida, g/L.
Pt : Concentracin de producto en la mezcla de reaccin, g/L.
Po : Concentracin de producto en la corriente de alimentacin (usualmente
cero), g/L.
PtE : Concentracin de producto en la corriente de salida, g/L.
Vt = Vt L + Vt G Vt L
E
kg C
h Et G E G
G ,t Mezcla de Vt G
CO E G ,t reaccin
Ct
kg
Lh COt

Xt
d [ Masa ] St
= acumulacin
dt Pt
F
Ct E
Ct
kg COt E kg
h

Ft F
COt F E
Et E h

S o ,t
S F o ,t E
Xt
Qt Pt E
C F G ,t kg
F
Ft G G F h

CO G ,t
Figura 1.1: Figura 1-2: Principales corrientes consideradas para el anlisis de un

biorreactor tipo tanque agitado.
V : Volumen de la mezcla de reaccin, L.

Y de acuerdo con las consideraciones 1 a 4 tenemos que:
Xt = XtE (1.1)
St = StE (1.2)
Pt = PtE (1.3)
La formulacin de las ecuaciones de balance para el biorreactor, estn rela-

cionadas con dos tipos de ecuaciones de balance de masa: 1) balances en estado
estable y 2) balances en estado inestable. Uno de los principios bsicos de mode-
lado es el referente a la conservacin de la masa en el sistema, el cual para un
estado estable se expresa como [3], [4]:

Flujo de masa Flujo de masa
=
a la entrada al sistema a la salida del sistema
Y para un balance en estado inestable se tiene

Volocidad de
velocidad de
acumulacin consumo o
= (dinmica de trasporte) produccin del
de masa en
componente por
el sistema
por la reaccin
Aqu, el trmino de acumulacin representa la velocidad de cambio en la

masa total del sistema, con respecto al tiempo y en estado estable sta es igual
a cero. Las definiciones anteriores estn en trminos de la masa total en el
sistema, sin embargo, se pueden aplicar para cada componente en el sistema.
1.4.1. Balance general de masa

Los balances generales de masa en el biorreactor, estn referidos principal-
mente a biomasa, substrato, producto y volumen [1].
1.4.2. Biomasa
La velocidad de cambio de la concentracin celular en el biorreactor se ex-
presa por el siguiente balance general de masa,

d Ft Et d Xt d
Xt = Xt,0 Xt + Xt Vt (1.4)
dt Vt Vt dt crecimiento Vt dt
d
Donde dt Xt es trmino de acumulacin, es decir, la velocidad de cambio neta
de concentracin
d de clulas en la mezcla de reaccin debido a todas las contribu-
ciones. dt Xt crecimiento contribucin de la multiplicacin celular al cambio de
incremento de concentracin celular. Para cultivos que obedecen la ley de Mo-

nod, por ejemplo, este trmino es,

d
Xt = Xt t (1.5)
dt crecimiento

St
= Xt m
Ks + St
d
Y dt Vt es la velocidad de cambio del volumen total en la mezcla de reaccin,
d
Vt = Ft Et (1.6)
dt
1.4.3. Substrato
El balance de masa general para el substrato,

d Ft Et d St d
St = St,0 St + St Vt (1.7)
dt Vt Vt dt reacci
on Vt dt
1.4.4. Producto
Velocidad de cambio de la concentracin de producto es,

d Ft Et d Pt d
Pt = Pt,0 Pt + Pt Vt (1.8)
dt Vt Vt dt reacci
on Vt dt
Los balances (1.4 -1.8) son las ecuaciones generales de balance . De estos balances
se definen los diferentes modos de operacin del biorreactor: reactor lote, lote
alimentado, y continuo.
1.4.5. Reactor lote

El sistema de cultivo que opera sin intercambio de materia (alimentacin o
salida de producto) es un reactor lote ideal y puede ser tratado como un Reactor
Tanque Agitado Continuo (RTAC), en estado inestable con ambas corrientes Ft
y Et son igual a cero. As, la velocidad de incremento de la poblacin celular es
solamente el resultado de multiplicacin (y/o la muerte) celular. Por tanto, las
expresiones para multiplicacin limitada por cinticas de crecimiento, suministro
de substrato, o transporte de masa, tambin son las expresiones de velocidad de
cultivo. Por ejemplo, consideremos las cinticas para un cultivo en lote siguiendo
la ley de Monod con muerte celular de primer orden.
La velocidad de incremento celular es

d St
Xt = Xt m kd Xt
dt K + St
Consumo de substrato esta dado por
d
St = qSt Xt (1.9)
dt
Donde qS = la velocidad especfica de consumo de substrato. Para un cultivo
con un apreciable factor de mantenimiento, entonces

St
qSt = Y S m +m (1.10)
X Ks + St
La velocidad de produccin de producto
d
Pt = qPt Xt (1.11)
dt
Donde qPt velocidad especfica de aparicin del producto.
En el caso donde hay sntesis de producto no asociado al crecimiento,

St
qPt = Y P m +B (1.12)
X KS + St
Donde B es la velocidad especifica de aparicin del producto no asociada al creci-

miento. Casos simplificados pueden ser resueltos
d analticamente. Por ejemplo,
la velocidad especfica de multiplicacin, dt Xt crecimiento , puede ser esencial-
mente constante sobre todo el rango de concentracin de substrato y biomasa.
Los valores Y P y Y Y pueden ser tambin constantes, y tambin el factor de
X X
mantenimiento en la ecuacin (1.10) puede ser despreciado. Tomando en cuenta
todas las simplificaciones realizadas, el reactor lote puede ser analizado de la
siguiente manera,
d
Xt = t Xt
dt
d d
St = Y S Xt (1.13)
dt X dt
d d
Pt = YP Xt
dt S dt
d
Vt = cte
dt
1.4.6. Reactor lote alimentado

Una desventaja del cultivo en lote es que algunos cultivos exhiben inhibicin
por substrato (fuente de carbono). Otro es el suministro imprctico de todos los
nutrientes al comienzo del cultivo, lo cual limita la solubilidad de los substratos,
inestabilidad de substratos, o la presin osmtica del cultivo. Una solucin posi-
ble para todos estos problemas es usar un reactor lote alimentado. En un cultivo
en lote alimentado, la alimentacin de medio es mantenida continuamente o por
intervalos. El modelo desarrollado aqu es para un cultivo en lote alimentado con

alimentacin continua y no hay salida de producto hasta el final del ciclo de cul-
tivo. Para un reactor lote alimentado los balances de materia son los siguientes
[5]:
Volumen
d
Vt = Ft = Dt Vt (1.14)
dt
Ft
Donde Dt = Vt , es el trmino de dilucin del cultivo.
Biomasa

d Ft d Xt d
Xt = Xt |t=0 + Xt Vt (1.15)
dt Vt dt crecimiento Vt dt
Considerando la ecuacin (1.14), la ecuacin (1.15) se hace

d Ft d Ft Xt
Xt = Xt |t=0 + Xt (1.16)
dt Vt dt crecimiento Vt
Substrato

d Ft d St d
St = St |t=0 + St Vt (1.17)
dt Vt dt reaccion Vt dt
De manera similar considerando (1.14) la dilucin la ecuacin (1.18) se hace

d Ft d Ft St
St = St |t=0 + St (1.18)
dt Vt dt reaccion Vt
Producto

d Ft d Ft Pt
Pt = Pt |t=0 + Pt (1.19)
dt Vt dt reaccion Vt
Control del proceso

El principal objetivo cuando se utiliza un sistema reactor lote alimentado es
para controlar la concentracin en la dinmica de alimentacin de substrato
al biorreactor. Para este control (en trminos simples) puede ser definido como
el proceso en el cual una cantidad fsica medible (x) es comparada con una
referencia (w) (set point), y la desviacin (w x) es reducida por el algoritmo
de control diseado) las relaciones pueden ser derivadas de la ecuacin (1.18)

como sigue,
d Ft d
St = ( St |t=0 St ) + St (1.20)
dt Vt dt reaccion
Con
d St
St = Y S m Xt mXt
dt reaccion
X KS + St
Partiendo del hecho que St = cte, es decir, estado estable que implica que
d
dt St = 0,

Ft St
0= ( St |t=0 St ) Y S m Xt mXt
Vt X KS + St

Y S t + m
X
Ft = Xt Vt (1.21)
St |t=0 St
La ecuacin (1.21) es simplificada a
Ft = CXt Vt (1.22)
h ih i
Donde C = Y S t + m St | 1 St , La velocidad de alimentacin es una fun-
X t=0
cin simple de Xt y Vt .
1.4.7. Reactor continuo

La dinmica de un reactor continuo sin recirculacin es la de producir a
cierta concentracin de clulas a la salida o mantener cierta conversin de subs-
trato o producto. En el caso general, el sistema esta en estado estable hidrodi-
nmicamente. Esto es, el volumen de reaccin,Vt , es mantenido esencialmente
constante, ya que, Ft = Et , sobre un promedio. Las ecuaciones que describen
el reactor continuo son las siguientes: el balance general de masa para Xt esta
dado por
d d
Xt = Dt ( Xt |t=0 Xt ) + Xt (1.23)
dt dt crecimiento
Si la concentracin celular, Xt |t=0 ,en la alimentacin es cero,
d
Xt = Dt Xt + t Xt (1.24)
dt
La velocidad de cambio de St en general es
d
St = Dt ( St |t=0 St ) Y S t Xt (1.25)
dt X
d d
En estado estable, ambas dt St y dt Xt son cero. De esta manera de la ecuacin
(1.25),
Dt Xt = t Xt (1.26)
Dt = t
y de la ecuacin (1.26),
Dt ( St |t=0 St ) = Y S t Xt (1.27)
X
Pero Dt = t , entonces
( St |t=0 St ) = Y S Xt (1.28)
X
Un RTAC continuo basado en la cintica de Monod es

St |t=0 Y S Xt
X
Dt = t = m (1.29)
KS + St=0 Y S Xt
X
m Y S Xt + KS Dt Dt Y S Xt
X X
St |t=0 =
m Dt
donde St |t=0 =concentracin de substrato requerida en la corriente de alimentacin,
Ft , para producir una concentracin de clulas, Xt , en la corriente de producto,
Et .
En este trabajo se utilizarn los modelos para un rector lote y lote alimen-
tado.
1.5. Transferencia de Masa gas-Lquido

En los procesos de biotransformacin aerobios, la transferencia de oxgeno
representa el parmetro ms importante en el diseo y la operacin de mez-
clado de los biorreactores. En el biorreactor la transferencia de oxgeno puede
ser descrita y analizada por medio del coeficiente volumtrico de transferencia
de masa, kL a [6]. La transferencia de oxgeno juega un rol importante en el
desempeo de los procesos aerobios. La eficiencia de aireacin de un sistema
dado es normalmente expresado por kL a [7]. El mezclado es indispensable en
biotecnologa, ya que este define el ambiente durante el cultivo en el biorreac-
tor. La actividad celular en el reactor conduce a continuas modificaciones en
la reologa del medio de cultivo. En estas condiciones, uno de los ms impor-
tantes problemas es establecer un rgimen hidrodinmico ptimo. El tiempo de
mezclado contiene informacin til acerca del flujo y el mezclado dentro del
biorreactor y puede ser utilizado para el escalamiento del proceso [8]. El mez-
clado adecuado en el biorreactor permite llegar a un grado de homogeneidad,
es decir, se busca que no exista la presencia de gradientes espaciales de concen-
tracin en los parmetros fundamentales del cultivo, como la accin de disolver
gases, pH, concentracin de substratos, entre otros. Por tanto, la deficiencia de
mezclado afecta directamente la fisiologa de las clulas, y en muchos casos el
rendimiento del producto, y la calidad depende fuertemente de las condiciones
ambientales en el medio de cultivo [9]. Lo anterior ha sido investigado en [10]
donde demostr el efecto que tuvo la variacin de la concentracin del por-
centaje de saturacin de oxgeno (1, 10, 40 y 60 %) en las rutas catablicas en
Torulopsis glabrata en la produccin de piruvato. De igual manera el desem-
peo del proceso de fermentacin puede ser estudiado por medio de los valores
1.5. TRANSFERENCIA DE MASA GAS-LQUIDO 11
de kL a. Un estudio similar al anterior fue desarrollado en [11] para Brevibacteria

lactofermentum sobre la produccin de L-lisina, se demostr que para diferentes
estados en el proceso de fermentacin requiere diferentes niveles de tensin de
oxgeno y los efectos que este tiene sobre el desempeo del cultivo, por ejemplo,
se observ un efecto inhibitorio al comienzo del cultivo el cual correspondi para
tensiones altas de oxgeno. En Wilson [12] evalu la produccin de Xilitol usan-
do Candida guilliermondii, donde el mejor desempeo de la biotransformacin
se estudio experimentalmente para valores especficos del parmetro kL a, estos
valores fueron comprobados por medio de simulaciones. Finalmente se observ
la relacin directa entre el desempeo del proceso y los valores del parmetro
kL a .
Los efectos de las variaciones de la concentracin de oxgeno en el medio de
cultivo han sido estudiados en Antonio y col. y Sarrafzadeh y col. [13], [14]. Por
otro lado, el parmetro kL a se ha utilizado para el escalamiento de procesos,
en Bandaiphet y col.[15], se analizaron los efectos del escalamiento sobre este
parmetro para Enterobacter cloacae en la produccin de exopolisacaridos y en
ciertos casos se han investigado los efectos que tiene la presencia de slidos sobre
el kL a. En Jenifer y col. [16] se observ la presencia de partculas de silicn en el
medio de cultivo gener un efecto negativo sobre el kL a. Por tanto, un control
ptimo del suministro de oxgeno es muy importante para procesos biolgicos
tanto donde se requiere de altas concentraciones de oxgeno como aquellos cul-
tivos (produccin de etanol, 2,3-butanodiol y algunos aminocidos, antibiticos,
vitaminas, polisacridos, enzimas y protenas) donde se requiere de ambientes
semiaerobios y microaeirobios. Para este tipo de procesos el coeficiente respi-
ratorio (RQ, por sus siglas en ingls) es el parmetro ptimo para controlar el
proceso, es decir, para controlar el suministro de oxgeno al biorreactor [17]. Por
tanto, las caractersticas que afectan la transferencia de masa son:
1. Geometra y condiciones de operacin del fermentador.
2. Tipo, concentracin y morfologa del microorganismo.
3. Composicin del medio.
4. Baja solubilidad del oxgeno.
En los cultivos aerobios se suministra aire estril al biorreactor para cubrir las
necesidades de oxgeno requeridas por los microorganismos. El oxgeno contenido
en las burbujas de aire es transportado de la fase lquida (medio de cultivo)
verificndose el fenmeno de transferencia de oxgeno. La cantidad de oxgeno
que se transfiere a la fase liquida en el tiempo se expresa como la velocidad
volumtrica de transferencia de oxgeno. La transferencia de oxgeno desde una
burbuja hacia el seno del lquido, puede describirse de acuerdo con la teora de
la doble pelcula, desarrollada por Lewis y Withman en 1924.
La teora de la doble pelcula se basa en las siguientes consideraciones: i)
se forma una pelcula en cada lado de la interfase gas-lquido (una pelcula de
gas en el lado del gas y una pelcula de lquido en el lado del lquido) y la
velocidad de transferencia de masa es controlada por las velocidades de difusin

del oxgeno a travs de las pelculas de gas y lquido; y ii) la resistencia que
presenta la interfase gas lquido a la transferencia de oxgeno es despreciable,
comparada con las resistencias de gas y de lquido.
Las limitaciones por la transferencia de masa, deben ser consideradas en el
estudio y el diseo de un biorreactor, por ejemplo, las velocidades de trans-
ferencia de masa en un biorreactor son significantes porque sus afectos sobre las
velocidades de las reacciones qumicas en las transformaciones por enzimas o
por clulas vivas (biotransformaciones). Los efectos posteriores son importantes
en ambos casos, en la velocidad de crecimiento celular o en la transformacin
de substrato a producto. En muchos casos la transferencia de masa puede ser
despreciada, pero esta debe de ser considerada en el reporte del diseo. La
transferencia de masa puede no ser una limitante en un biorreactor a nivel de
laboratorio, pero si a gran escala.
1.5.1. Transferencia de masa en interfase gas-lquido

Las velocidades de transferencia de masa en la interfase para la difusin
molcular puede ser modelada por el uso de la primera ley de Fick . La primera
ley de Fick para la difusin de un componente A en una mezcla de A y B , se
expresa como sigue,
CA
JAz = DAB (1.30)
z
donde
mol
JAz = flujo molar de A en la direccin z m2 h h i
m2
DAB = difusividad (o el coeficiente de difusin) de A en el medio B, h

CA = concentracin de A mol m3
z= distancia en la direccin z [m]
En reactores biolgicos, B es el medio de crecimiento. Una primera aproxi-
macin para un lquido acuoso, puede ser asumido a ser agua con una correlacin
aplicada para la viscosidad del medio actual. Una ecuacin ampliamente usada
para aproximacin de DAB para una solucin diluida de A (no electrolito) en
un solvente B es la ecuacin de Wilke-Chang:
1
7,4 108 (MB ) 2 T
DAB = (1.31)
B VA0,6
donde
= factor de asociacin del solvente
B adimensional
g
MB = peso molecular del solvente B mol
T = temperatura [ K] g
B = viscosidad del solvente B Ls h i
cm3
VA = volumen molar del soluto A mol
1.5. TRANSFERENCIA DE MASA GAS-LQUIDO 13
1.5.2. Transferencia de masa gas-lquido
El campo ms estudiado referente a la limitacin de transferencia de masa en

sistemas biolgicos (bioconversiones), es el relacionado con la transferencia de
oxgeno de la fase del gas al sistema de reaccin o a las clulas. Generalmente el
oxgeno es obtenido del aire pero esta fuente no es necesariamente una limitante.
El tratamiento matemtico del transporte de oxgeno en un sistema gas-lquido
en biorreactores es casi universalmente tratado por la suposicin de la resistencia
de la doble pelcula como se ha mencionado previamente.
1.5.3. Velocidad volumtrica de transferencia de oxgeno
Para sistemas de fermentacin aerobios, la resistencia a la transferencia de

masa se asume a estar en una delgada pelcula de lquido en la frontera de la
fase liquida, llamada la capa limitante, la fuerza impulsora es la diferencia de
concentracin en la capa liquida. Un modelo fsico de la transferencia de oxgeno
desde la fase del gas a la fase de lquido se muestra en la Figura 1-3.
Pelcula Pelcula
de lquido de gas
Ct
Interfase
Po
Ct
Lquido + oxgeno
disuelto C t Oxgeno
Ct En equilibrio
C t HP o
0
Fase liquida Fase gaseosa
Figura 1-3: Modelo fsico para la transferencia de oxgeno a travs de la pelcula de lquido.
Una vez que el oxgeno se ha difundido al medio acuoso (medio de cultivo),

este tiene que llegar hasta las clulas por medio del movimiento del fluido (con-
veccin) y finalmente difundir en la pelcula de lquido que rodea a la clula. El
proceso anterior se ilustra en la Figura 1-4.
Resistencias que encuentra el oxgeno:
Burbuja de Pelcula de lquido

aire Clula
O2
Difusin G-L Conveccin Lquido que rodea a la

clula
Figura 1-4: Resistencias que presenta el oxgeno antes de que sea consumido por las clulas.
Obviamente el flujo de oxgeno total depender del rea de interfase de las
burbujas de aire. En este caso la velocidad de transferencia de oxgeno esta dada
por:
OT Rt = kL at [C Ct ] (1.32)
Donde
OT Rt : es la velocidad de transferencia de oxgeno gL1 h1

kL : es el coeficiente de transferencia de masa mh1
at : es el rea interfacial de la burbuja m2 m3 = m
C Ct : es la fuerza impulora o el gradiente de concentracin gL1
La fuerza impulsora C Ct es la diferencia de concentraciones a travs de

la frontera de la pelcula de lquido como se muestra en la Figura 1-3. C es la
concentracin de oxgeno en equilibrio con la interfase. La combinacin de kL
y at es referido como el coeficiente volumtrico de transferencia de masa y es
tratado como un solo parmetro, kL at con dimensiones h1 .
1.6. Balance de masa para Ct en fase liquida

El balance de masa en la fase del lquido en el biorreactor se expresa como
d Et Ct
Ct = OT Rt OU Rt + (1.33)
dt Vt
donde
d
Ct es el trmino de acumulacin de Ct en la mezcla de reaccin
dt
1.7. DETERMINACIN DEL COEFICIENTE VOLUMTRICO DE TRANSFERENCIA DE MASA15
OT Rt es la velocidad de transferencia de oxgeno de la fase del gas a la fase

del lquido
OU Rt es la velocidad de consumo de oxgeno debido al metabolismos celular
Et Ct
Vt es la contribucin de oxgeno por la dilucin
El balance de masa descrito por (1.33) se sustituye en (1.34) entonces se
tiene
d Et Ct
Ct = kL at [Ct Ct ] OU Rt + (1.34)
dt Vt
En el balance (1.34) la dinmica del oxgeno es mucho ms rpida que la dinmi-
ca de otros procesos relevantes (biomasa, substrato) y la contribucin del tr-
Et Ct
mino de dilucin, , es pequeo comparado con la velocidad de cambio de
Vt
oxgeno disuelto. Como consecuencia en (1.34) se puede expresar como:
d
Ct = kL at [Ct Ct ] OU Rt (1.35)
dt
El balance de oxgeno, CG,t , en la fase del gas en el biorreactor El

balance de masa para CG,t en la fase del gas esta dado por
.
d
VtG F
CG,t = CG,t FtG EtG CG,t
E
kL at [Ct Ct ] VtG (1.36)
dt
1.7. Determinacin del coeficiente volumtrico

de transferencia de masa
Los mtodos tradicionales para determinar este parmetro se pueden agru-
par en qumicos y fsicos, con los cuales slo es posible medir el parmetro de
forma puntual, sin embargo, el mtodo directo que se caracteriza por hacer un
balance de oxgeno al rededor del biorreactor permite medir el parmetro en
forma continua, cuando se aprovechandon las propiedades paramagnticas del
oxgeno en la fase del gas, pero ello requiere disponer de equipo especial llama-
do Analizador paramagntico de oxgeno, sin embargo, el costo elevado de este
equipo limita las posibilidades de adquirirlo.
1.7.1. Mtodos para determinar kL a

En la literatura se han reportado diversas tcnicas o mtodos para deter-
minar el parmetro kL at a continuacin se mencionan aquellas que han tenido
aplicaciones en las investigaciones acadmicas.
Mtodo de presin dinmica: este mtodo no esta basado en la inter-
rupcin del flujo de alimentacin de oxgeno o incluso la desorcin con un gas
inerte. En este el cambio de la concentracin de oxgeno es causada por un pe-
queo cambio ( 20 kP a) de la presin interna en el biorreactor. La ventaja que
presenta este mtodo con respeto a los de balance de oxgeno en estado estable,
es que no es dependiente de la exactitud de las mediciones de la concentracin
de oxgeno en las corrientes de alimentacin y salida del gas [7],[18],
Adems, de estos mtodos se han reportado una cantidad importantes de
correlaciones para estimar el parmetro kL at en situaciones particulares [19].
En Meenal y col. [20] se estudio el efecto sobre el kL at para diferentes medios y
diferentes condiciones de operacin utilizando correlaciones para medir el kL at
. Estas correlaciones estn relacionadas con:
1. Diferentes geometras del biorreactor.
2. Diferentes propiedades fsicas del medio.
3. Diferentes condiciones de operacin del biorreactor.
Mtodo dinmico. Otras investigaciones se han realizado para desarrollar
nuevas correlaciones para medir el kL at en situaciones muy particulares, vase
[21], [20].
En este mtodo el flujo de aire al biorreactor se interrumpe (Ft = 0), y el

oxgeno disponible en el medio de cultivo es consumido por las clulas hasta
llegar a un valor de concentracin de oxgeno disuelto muy cercano al valor
crtico (Ctcritico ), en este momento se restablece el flujo (Ft = Constante) de
aire y la concentracin de oxgeno disuelto se incrementa (vase la Figura 1-5)
Ct
F t constante Ft 0 F t constante
Pendiente UORt
Ct 1 d C UOR C
d C t UORt
t t
k Lat dt
dt
C critica
t
0
t
Figura 1-5: Mtodo dinmico.
evolucin de Ct se muestra en la Figura 1-5 y se describe por las ecuaciones

d
Ct = OU Rt cuando Ft = 0
(1.37)
dt

1 d
Ct = Ct + OU Rt + Ct , cuando Ft = constante (1.38)
kL at dt
1.8. CONTROL DE OXGENO EN LOS PROCESOS DE FERMENTACIN17
En la Figura 1-6 se observa el procedimiento grfico para determinar el kL at .

Cuando Ft = 0, se puede calcular OU Rt graficando Ct vs t y la pendiente
de estos datos es OU Rt , este valor es constante, porque corresponde
h aiun valor
constante durante todo el periodo del experimento de Xt (OU Rt = Y1o [t Xt ]).
Ct
Ft 0 F t constante
Pendiente 1
k Lat
C critica
t
0
d C UOR
t t
dt
Figura 1-6: Determinacin grafica de kL at
1.7.2. Mtodo dinmico modificado
El propsito de este mtodo es que pueda ser aplicable a cualquier sistema

biolgico, para medir simultneamente el kL at y la velocidad de consumo de
oxgeno (respiracin celular o OU Rt ). La principal variacin de este mtodo con
respecto al mtodo dinmico, es que este no requiere de la interrupcin del flujo
de aire al biorrector, en lugar de ello se produce un cambio en la concentracin
de oxgeno en la alimentacin sin variar el flujo de alimentacin [22].
La caracterstica ms importante de los sistemas no biolgicos es que no hay
presencia de clulas en el sistema (biorreactor) cuando se efecta la cuantifi-
cacin de kL at .
1.8. Control de oxgeno en los procesos de fer-

mentacin
En fermentaciones industriales donde participan hongos filamentosos, el pro-
ceso tpicamente es operado en lote alimentado. El control de oxgeno representa
un importante reto operacional debido a la variacin de la concentracin de bio-
masa en el biorreactor. L. Bodizs y col. [23] propone una estrategia de control
de oxgeno (manualmente y con el diseo de un PID) para asegurar una alta
productividad y limitar los riesgos relacionados con la limitacin de oxgeno.
Usualmente la concentracin de oxgeno disuelto (DO, por sus siglas en ingls)

es controlada por manipulacin el flujo de aire o la velocidad de agitacin, tam-
bim alimentacin de oxgeno puro, sin embargo, cuando se aplica a reactores
a escala industrial, esta estrategia a menudo no es aceptable por los requer-
imientos de potencia consumida demandados. Adems, por los efectos que se
puede presentar en los microorganismos al aumentar el esfuerzo de corte. Por
tanto, en estos casos, la concentracin de oxgeno disuelto puede ser controla-
da por la limitacin de su consumo. Esto se alcanza manipulando la velocidad
de alimentacin de substrato. Otro factor importante que tiene efecto sobre la
transferencia de oxgeno es el cambio continuo de la reologa del medio de culti-
vo. La estrategia de opreacin de un biorreactor ms importante esta relaciona
con la aproximacin OU Rt = OT Rt , con la que se logra alcanzar un estado
seudo-estable del sistema.
Algunos trabajos relacionados con el estimacin del parmetro kL a y los
efectos relacionados con la deficiencia de oxgeno en los procesos de fermentacin
se muestran en la Tabla 1-1.
Tabla. 1-1 Determinacin de kL a.
Microorganismo kL a, rpm, vvm Biorreactor Mtodo
T.thermophilus 26 200 1 3-2 L, batch Dinmico
A. oryzae 275 2500 L Dinmico
T. reesi 300 250 1 16 10 LFed-batch Balance
En general los mtodos ms utilizados para estimar el parmetro kL a se

muestran en la de la Tabla 1-1, adems, se dispone de mtodos de prediccin
teorico [24], [25].
Captulo 2
Sistemas no Lineales
2.1. Introduccin
En este captulo se presentan los conceptos bsicos sobre las Redes Neu-
ronales Artificiales (RNA), particularmente para los dos tipos de RNA, Redes
Neuronales Estticas (RNE), y las Redes Neuronales Dinmicas (RNDi). De
este ltimo tipo surgen las Redes Neuronales Diferenciales (RND) que sern
empleadas en este trabajo para estimar los estados del sistema que no son sus-
ceptibles a medicin fsica. La descripcin matemtica de la estructura de la
RND, tanto para el proceso de identificacin de estados como para el proceso de
observacin de estados (RND como observador no lineal) se presentaran en el
captulo 4.
2.2. Sistema no lineal

La dinmica de biotransformacin por parte de las clulas sobre los subs-
tratos en el biorreactor, es una dinmica no lineal. En este trabajo la dinmica
en el biorreactor se puede ver como la interaccin entre el sistema (biorreactor)
y su ambiente. Esta interaccin se muestra en la Figura 2-1. El esquema general
de la Figura 2-1 esta relacionado con:
1. Estados del sistema:
T
xt : = x1,t , ..., xn,t (2.1)
xt Rn ; n = 4 (2.2)
xt : = (Xt , St, Ct , Vt )T (2.3)
2. Acciones de control:
19
20 CAPTULO 2. SISTEMAS NO LINEALES
T
ut : = u1,t , ..., uk,t (2.4)
3. Informacin medible (salidas):
T
yt : = y1,t , ..., ym,t (2.5)
4. Ruido y perturbaciones no controlables (entradas no controlables):
x,t , perturbaciones de la dinmica del sistema (2.6)

y,t , perturbaciones de los datos de medicin
Factores no controlables
(Ruido y perturbaciones)
Sistema
Factores controlables Informacin disponible

(Acciones de control) (Salidas)
Figura 2-1. Biorreactor y su interaccin con el medio ambiente

Los modelos matemticos utilizados para describir el tipo de biorreactor:
reactor lote, lote alimentado, y continuo, (desarrollados en el Captulo 1) pueden
ser generalizados en un sentido matemtico como un sistema no lineal continuo
en el tiempo con salida medible descrita por la siguiente Ecuacin Diferencial
Ordinaria (EDO):

xt = f (xt , t) + t , xt |t=0 conocida (2.7)
yt = Cxt + t
con
xt Rn , yt Rm t 0
C Rmn , t Rn1 y t Rm1
kCxt k > kt k
2.3. REDES NEURONALES ARTIFICIALES 21
Donde: xt Rn es el vector de estados en t 0, yt Rm es la salida

correspondiente, disponible en cualquier tiempo, C Rmn es la matriz de
transformacin del estado a la salida, x,t y y,t es el ruido en la dinmica de
los estados y a la salida respectivamente.
Para ciertas aplicaciones prcticas se considera que el vector de estados xt
pertenece en todo momento a un conjunto compacto X (incluso en presencia
de ruido) y el cual tiene en general un sentido fsico concreto.
Para estimar los estados del sistema descrito por (2.7) se requiere del diseo

bt = x
de una funcin vectorial x bt (yt ) Rn que dependa nicamente de la salida
disponible yt y que se mantenga prxima al valor real (pero no medible) de
xt . La medida de proximidad depende de las caractersticas de la dinmica del
estado as como de los efectos del ruido. La mayora de los observadores de
estados resuelven este problema presentando por la funcin descrita por una
ecuacian diferencial ordinaria (EDO) dada por:
d
bt = F (b
x bt |t=0 conocida
xt , yt , t) , x (2.8)
dt
En el caso del conocimiento de que el estado xt pertenece a cierto conjunto

compacto X, el estado estimado xt debe de pertenecer al mismo conjunto, esto
es:
bt X
x (2.9)
De hecho, si el estado estimado es usado para la construccin de algn con-
trolador, por ejemplo ut = K x bt entonces cualquier cambio en el signo de xbt
puede provocar un efecto significativo de inestabilidad de la dinmica en lazo
cerrado.
2.3. Redes neuronales artificiales

La alternativa matemtica que se propone en este trabajo para el desarrollo
del estimador para kL at , es resolver la falta de informacin en la estructura
dinmica del sistema (biorreactor), ya que esta es imcompleta incompleta, es
decir, en la mayora de las situaciones prcticas no todos los estados en el bio-
rreactor pueden estar accesibles. Lo anterior es una consecuencia de la falta
de un sensor apropiado para medir las variables, o por el elevado costo de los
mismos. Adems, la estructura del algoritmo para el estimador propuesto esta en
funcin de la concentracin de biomasa en el biorreactor. Por tanto, se requiere
la medicin en lnea durante todo el proceso.
Esta limitacin se resuelve utilizando los sistemas no lineales basados en
redes neuronales diferenciales. Los conceptos que se exponen a continuacin son
importantes para entender esta tcnica.
Las redes neuronales estn inspiradas por el modelaje de las redes neuronales
reales en el cerebro humano. As, los elementos que se encargan de procesar
la informacin son llamadas neuronas artificiales, o simplemente neuronas. La
estructura de una neurona se puede describir por tres partes, un cuerpo celular
o soma, que se caracteriza por contener al ncleo de la clula. El axn que es la
conexin cilndrica sencilla y larga, el cual se extiende del cuerpo de la clula y
lleva los impulsos elctricos a otras neuronas, cada final de un axn se conecta a
una ramificacin estndar muy fina. Cada terminacin tiene un bulbo llamado
sinpsis, donde la red neuronal induce a las neuronas vecinas.
Las redes neuronales artificiales (RNA) son sistemas de informacin inspira-
dos en las redes neuronales biolgicas imitando estas dos caractersticas princi-
pales [26]
1. La adquisicin del conocimiento se efecta a travs de un proceso de apren-

dizaje.
2. La conectividad entre las neuronas (unidades bsicas de procesamiento de

informacin) llamadas pesos sinpticos son empleadas para guardar este
conocimiento.
Una caracterstica importante es que una RNA puede ser considerada como
una caja negra (o dispositivo de caja negra) que acepta entradas y produce
salidas [12].
Las operaciones que pueden realizarse con una RNA se tienen las siguientes:
a) Clasificacin. Un conjunto de datos (patrn) de entradas es procesado

por la RNA y sta produce una clase representativa de salida.
b) Reconocimiento de patrones. Un conjunto de datos de entrada es

procesado por la RNA y sta produce el patrn correspondiente de salida.
c) Complementacin de patrones. Un conjunto de datos incompleto es

procesado por la RNA y sta reproduce un patrn de salida (reconstruyen-
do) la informacin faltante.
d) Elimina el ruido. Un conjunto de datos de entrada alterado con ruido

es procesado por la RNA y sta elimina parte o en el mejor de los casos
el total del ruido entregando a la salida por el patrn de entrada filtrado.
e) Optimizacin. Un conjunto de datos representando los valores iniciales

de un problema de optimizacin son considerados en el patrn de entrada
de la RNA y sta produce un conjunto de variables que representa la
solucin del problema.
f) Control. Un conjunto de datos representando el valor del estado de un

controlador y la respuesta deseada es presentada a la entrada de la RN
y sta produce como salida la secuencia de comandos adecuada que pro-
ducir la respuesta deseada.
Existen diferentes tipos de RNA (estticas, recurrentes, dinmicas, compe-

titivas, etc) [27], [28].
2.3.1. Modelo de la neurona artificial

La neurona es la unidad fundamental para la operacin de la RNA y debe
de cumplir con las siguientes caractersticas bsicas:
1. La neurona requiere slo informacin local. Toda la informacin necesaria
para que la neurona produzca un valor de salida est presente a la entrada
y no necesita ninguna otra informacin sobre los valores en la red.
2 La neurona produce un slo valor de salida. Este valor se propaga hacia
otras neuronas o hacia la salida de la red [29].
Wk1
X1
Funcin de
activacin
Wk 2 uk yk
Seales de
X2 f () Salida
entrada .
.
Wk n Umbral
.
Xn
Pesos
sinpticos
Figura 2-2. Modelo bsico de la red neuronal artificial

En la Figura 2-2 se muestra un modelo bsico de una neurona artificial, en
este modelo tradicional destacan tres elementos:
1. Una funcin de suma, para adicionar los componentes de las seales de
T
entrada [X1 , X2 , . . . , Xn ] , multiplicados por su respectivo peso sinptico,
Wk1 .
2. Una funcin de activacin no lineal transformando la salida del sumador
en las salida de la neurona, f ().
3. Un conjunto de conexiones sinpticas con cada elemento caracterizado por
su propio peso sinptico.
Siendo posible introducir un umbral externo cuya finalidad es controlar la
activacin o inhibicin de la neurona.
Matemticamente, la i-sima neurona puede describirse como:
n
X
i = i,j uj (2.10)
j=1
yi = ( i i )
Donde:
i j-sima componente de la entrada
i,j uj es el peso de la conexin de la j-sima componente de la entrada con
la neurona ies presentada
i salida del sumador
i umbral de activacin
() funcin de activacin no lineal
yi salida de la neurona i
El esquema puede ser representado de una forma compacta, lo que permite

establecer una manipulacin de forma eficiente la interconexin de neurona en
lo que se conoce como redes, y este esquema se caracteriza por estar formado
por los siguientes elementos:
Nodos de entrada, encargados de suministrar las seales de entrada hacia

la neurona.
Nodo simple, llamado de cmputo.
Lneas de interconexin entre los nodos de entrada y los nodos de cmputo.
2.3.2. La funcin de activacin ()

La funcin de activacin denotada por () en un mapeo entre un dominio
posiblemente no acotado y un rango prestablecido. Dependiendo de su natu-
raleza puede introducir una no linealidad dentro de la dinmica de la RNA. En
la literatura encontramos los tipos de funciones de activacin ms utilizadas son
tres: funcin de activacin tipo umbral, funcin de activacin lineal por partes
y funcin de tipo sigmoidal [30]. Ejemplos de estas funciones son las siguientes:
Tabla 2.1 Funciones de activacin

Funcin Descripcin Rango
Identidad y=x [, +]
y = sign (x) {1, +1}
Escaln
y = H (x) {0, +1}
1, si x < l
Lineal a tramos x, si + l x l
[1, +1]
+1, si x > l
y = 1+e1x [0, +1]
Sigmoide
y = tgh (x) [1, +1]
Es importante mencionar que la gran mayora de las aplicaciones basadas

en las RNA emplean las funciones de activacin de tipo sigmoide, la razn es
porque presentan un mejor balance entre desempeo lineal y no lineal con cierta
suavidad en la transicin de valores que pueden obtenerse en la evolucin de la
funcin [31], su caracterstica ms importante es que la funcin es diferenciable,
esta funcin se muestra en la Figura 2-3
0.75
0.5
0.25
-5 -2.5 0 2.5 5
x
Figura 2-3: Funcin sigmoide
2.3.3. Estructuras de las redes neuronales artificiales

La forma en la cual las redes neuronales de una RNA se interconectan deter-
minan su estructura y en gran medida se relaciona con su algoritmo de apren-
dizaje. Se puede definir la siguiente terminologa bsica con respecto a la
topologa de las RNA:
Capas. Las RNA se organizan en capas de neuronas. Dentro de una capa,

las neuronas son similares en dos aspectos: Las conexiones que alimen-
tan la capa utilizan el mismo tipo de algoritmo de aprendizaje para la
activacin de sus pesos.
Conexiones intracapa e intercapa. Existen dos tipos de conexiones que se

emplean en las RNA: las conexiones intracapa que se refiere a las conex-
iones de las neuronas en la misma capa y las conexiones intercapa que son
conexiones entre neuronas de diferentes capas. Es posible construir redes
que tengan los dos tipos de conexiones. Un alto nmero de conexiones le
otorgan a la RNA redundancia, es decir, robustez [30].
RNA Feedforward (alimentacin hacia adelante) y Feedback (retroali-

mentacin). Cuando la RNA tiene conexiones que alimentan la informa-
cin en una sola direccin (de la entrada hacia la salida) sin que ex-
ista retroalimentacin, pero si la RNA posee cualquier va de retroali-
mentacin, entendiendo el trmino retro alimentacin como cualquier
camino a travs de la RNA que permita que la misma neurona sea visi-
tada por dos veces, entonces se llama RNA Feedback.
Redes Feedforward monocapa. Como su nombre lo indica poseen una

sola capa de neuronas. El ejemplo ms popular de ste tipo de redes es el
perceptrn cuyo ejemplo clsico correponde al modelo de McCulloch-Pits
[30].
Redes Feedforward multicapa. En este tipo de redes se cuenta adems de
la capa de entrada y de salida con una o varias capas intermedias denomi-
nadas capas ocultas. Si cada neurona dentro de cada capa es conecta-
da a cada neurona de la capa adyacente, entonces la RNA se denomina
completamente conectada, en caso contrario se denomina parcialmente
conectada.
Redes Neuronales Recurrentes. La principal diferencia entre las RND y su
contra parte es que las RND poseen al menos un lazo de retroalimentacin.
Su descripcin matemtica se presenta en el captulo cuatro.
En la Figura 2-4 se presentan tres de estas estructuras de las RNA a) RNA

Feedfordward, b) Perceptrn multicapa, c) Red base radial.
W k1
X1 X1
Wk 2 Wk 2
X2 X2
Wk3 Wk 3
X3 . X3
.
. .
Wk n Wk n
Xn
. . Capa de
Xn salida
Capa de Capa de Capa de Primera Primera
entrada salida entrada Capa oculta Capa oculta
Wk 1
a) G b)
. W1
X1
.
X2 W2 Capa de
G
. P (x) entrada
X3 .
. Capa de
Wp
X p salida
G.
Capa oculta
de funciones de base radial
c)
Figura 2-4: Estructuras de las RNA
La cualidad ms importante de la RNA es su capacidad de aprendizaje,
en este contexto se entiende el aprendizaje como la forma de actualizacin del
valor de los pesos sinpticos. El problema de aprendizaje en las RNA pude
formularse como un problema de aprendizaje de libre modelo, donde el objetivo
es entrenar a una hipotsis RNA definida como hm , donde m denota el nmero
de entradas de aprendizaje, en forma tal que hm se convierta en una buena

aproximacin de la RNA objetivo desconocido f , asegurando que se cumpla
que al seleccionar cualquier vector de entrada x X Rn y al aplicarlo
tanto a la RNA entrenada como hm como a la RNA verdadera f , se satisfaga
la condicin
| hm f (x) | con > 0
Como se mencion en la seccin anterior el tipo de aprendizaje de la RNA
depende de su arquitectura, sin embargo, existe cierta terminologa bsica vlida
para todos los tipos de aprendizaje:
Aprendizaje supervisado y no supervisado. El aprendizaje supervisado es

un proceso que incorpora un maestro interno o informacin global. El
aprendizaje no supervisado la red organiza los datos y determina sus
propiedades colectivas.
Aprendizaje en lnea y fuera de lnea. La mayora de las tcnicas pertenecen
al caso fuera de lnea, en ste, el conjunto patrn de datos es usado comple-
tamente para determinar las pesos de la red antes de que sta sea usada.
Finalmente el objetivo de la red neuronal es mapear un conjunto de entradas

con su respectivo conjunto de salida. La red lleva a cabo el mapeo para un
primer aprendizaje de series de ejemplos pasados definiendo la correspondencia
de conjuntos de entradas y salidas para el sistema dado. La red entonces aplica
lo que ha aprendido a una nueva entrada para producir la salida apropiada.
Un red neuronal es un sistema de cmputo compuesto de un nmero de sim-
ples nodos o elementos de procesamiento altamente interconectados, los cuales
procesan informacin por su respuesta de estado dinmica a entradas externas
.
Captulo 3
Sensores Virtuales
3.1. Introduccin
Los sistemas de control son usados para regular una enorme cantidad de
equipos, productos y procesos. Las variables a controlar pueden ser la tempe-
ratura, el movimiento, flujo de vapor, de fluidos, presin de fluidos, tensin,
voltaje y corriente. En el campo de los bioprocesos, uno de los equipos ms
importantes es el biorreactor, que en muchas aplicaciones prcticas, solamente
algunas variables del proceso estn disponibles en lnea, por ejemplo, concen-
tracin de oxgeno disuelto en el biorreactor, temperatura, y la velocidad de
flujo de los gases mientras que los valores de las concentraciones de productos,
reactantes y biomasa estn disponibles a menudo va anlisis. Una alternativa
interesante que evita el uso de un modelo y explota un conjunto limitado de
mediciones es el uso de observadores de estados. El diseo y la aplicacin de
los observadores de estados en bioprocesos han sido una rea activa las pasadas
dcadas.
Muchos conceptos en la teora de control estn basados en el hecho de tener
disponibles los sensores para medir la variable a controlar. De hecho la teora
de control, est a menudo basada en que estn disponibles las seales de retro-
alimentacin. Desafortunadamente, tal suposicin no es vlida en su totalidad.
Los sensores tienen deficiencia que puede degradar un sistema de control.
Hay al menos cuatro problemas relacionados por los sensores. Primero, los
sensores son caros. El costo de un sensor puede sustancialmente elevar el costo
del sistema de control. En muchos casos, el sensor y el cableado son los com-
ponentes ms caros en el sistema de control. Segundo, los sensores y su cable
asociado reducen la confiabilidad del sistema de control. Tercero, algunas seales
son imprcticas para medirlas. Cuarto, los sensores usualmente inducen errores
significativas tales como ruido estocstico, errores cclicos, y respuesta limita-
da. Por tanto, las tcnicas de estimacin de estados juegan un rol importante en
muchas reas de la ciencia, ingeniera y particularmente en biotecnologa, donde
el hardware (sensores) son extermadamente costoso y son usados en condiciones
29
30 CAPTULO 3. SENSORES VIRTUALES
muy drsticas en el proceso (esterilizacin, largos periodos de operacin, etc).
3.1.1. Monitoreo de procesos de fermentacin

Los modernos bioprocesos son monitoreados en lnea por aparatos moder-
nos, los cuales pueden estar montados en el biorreactor o externamente. Adems,
de los electrodos (sensores), ms y ms subsistemas analticos son explotados
para monitorear en lnea el estado del bioproceso. Algunos de estos subsistemas
entregan seales que son usadas para documentacin solamente, otros, que ge-
neran seales menos retardadas que son usadas o para disear los sistemas de
control. En un fermentador esta provisto de elementos de medicin y control.
Los aparatos para censado en lnea, estn relacionados con las siguientes vari-
ables que se monitorean en lnea: temperatura, pH, presin, oxgeno, presin
parcial de oxgeno, oxgeno en la fase del gas, bixido de carbono, presin par-
cial de bixido de carbono, bixido de carbono en la fase gaseosa, potencial
de reduccin, biomasa: densidad ptica, interfases, propiedades elctricas, ter-
modinmica y compatibilidad de sensores, cromatografa lquida de alta eficacia
(HPLC, por sus siglas en ingls) o cromatografa de gas (GC, por sus siglas en
ingls), espectrofotometra de masas (MS, por sus siglas en ingls), biosensores,
biosensores electroqumicos, sensores de fibra ptica, calorimtricos, mecnicos,
acsticos y para biomasa: propiedades elctricas, propiedades de filtracin y
dinmica de la dilucin y software sensors. Mientras que para el anlisis fuera
de lnea: citomtria de flujo, resonancia magntica nuclear (NMR por sus siglas
en ingls) [32], en la Figura 3-1 se muetra al biorreactor y las variables que
pueden ser medidas y controladas, o solamente medidas.
Medicin y Medicin
control
Alimentacin pH
Temperatura pO2
Aireacin Presin
Consumo de Composicin
potencia de exhaustos
Velocidad de Peso del

agitacin volumen
Figura 3-1: Mediciones comunes y control del biorreactor

En lo referente al campo de los bioprocesos, el control del biorreactor plantea
un reto clave en el control del proceso y el monitoreo de las concentraciones
3.1. INTRODUCCIN 31
de productos y reactantes de una manera confiable y a un bajo costo. Y los

cultivos en modo reactor lote alimentado o fed-batch son predominantes (por
ejemplo la produccin de levadura de panificacin, aditivos para alimentos y
protenas recombinantes), por tanto, la optimizacin y el control de un proceso
de fermentacin en fed-batch ha encontrado una buena estrategia de control bajo
la siguiente consideracin relacionada con la velocidad de consumo de oxgeno
o OU Rt (por sus siglas en ingls) y la velocidad de transferencia de oxgeno
de la fase del gas a la fase del lquido o OT Rt (por sus siglas en ingls) como
OU Rt OT Rt en los procesos de biotransformacin aerobios [33], [34], [23],
[35], [36], [37],[38]. En este captulo se presenta la revisin bibliogrfica de las
tcnicas de estimacin disponibles aplicadas a bioprocesos, particularmente al
biorreator en modo de operacin lote alimentado y el diseo de sensores virtuales
o Software sensors
3.1.2. Estimadores de estados y parmetros en bioproce-

sos
Si consideramos el siguiente modelo de espacio de estados para un sistema
no lineal de la forma
d
x = f (x, u) (3.1)
dt

x = f (x, u)
Los estados medibles, identificados por y, estn relacionadas a la dinmica del

proceso por la siguiente relacin:
y = h(x) (3.2)
La estructura general de un observador de estados es entonces escrita de la forma

siguiente:
d
b = f (b
x x) [y yb]
x, u) + K (b (3.3)
dt
Donde xb y yb son las estimaciones en lnea de x y y dados por el estimador de
estados:
yb = h(b
x) (3.4)
Y donde K es la ganancia del observador. El diseo de el observador de estados
consiste en seleccionar apropiadamente la ganancia K (bx).
Si definimos la observacin del error e como sigue:
b
e=xx (3.5)
La dinmica de observacin del error es deducida de (3.1) y (3.3):
d
e = f (b
x + e, u) f (b
x, u) K (b
x) [h(b
x + e) h(b
x)] (3.6)
dt
El observador (3.3) fue originalmente desarrollado para sistemas lineales. Para

explorar las propiedades de la dinmica de un bioproceso (sistema no lineal)
este observador ha sido extendido para problemas no lineales.
El problema de diseo puede ser formulado como la determinacin de la ma-
triz K (b
x) tal que la dinmica del error descrita por (3.6) tenga las propiedades
deseadas. Esto ha resultado en un nmero de diseos de observadores de esta-
dos, tales como el diseo de los dos observadores de estados clsicos (observador
de Luenberger extendido, y el observador de Kalman extendido), asi como una
variedad de observadores no lineales. El diseo de la matriz de ganancia K (b x)
esta basada sobre la linealizacin, si consideramos la linealizacin de la ecuacin
(3.6) al rededor de la observacin del error e = 0, se logra:
d
e = [A(b
x) K(b
x)L(b
x)] e (3.7)
dt
Donde A(b
x) y L(b
x) es respectivamente:

f h
A(bx) = , L(b
x) = (3.8)
x x=x x x=x
Observador de Luenberger extendido

En el observador de Luenberger extendido, el objetivo es seleccionar K (b
x) tal
que la dinmica del error de linealizacin descrito por (3.7) sea asintoticamente
estable [39]. Esto es alcanzado por seleccin de K (bx) tal que:
1. La matriz A(b
x) K(b
x)L(b
x) y su derivada en el tiempo esta acotada:
kA(b
x) K(b
x)L(b
x)k C1 , b
x (3.9)
d
k [A(b
x) K(b x)] k C2 , b
x)L(b x (3.10)
dt
2. Los eigenvalores de A(bx) K(b
x)L(b
x) tienen estrictamente partes reales y
negativas:
Re (i [A(b
x) K(b
x)L(bx)]) C3 < 0, bx
y i = 1 a n, donde n es el orden del sistema descrito por (3.1)
Observador de Kalman extendido

Si bien el filtro de Kalman ha sido originalmente introducido en un marco de
referencia estocstico, este tambin puede ser interpretado como la solucin de
un problema deterministico de optimizacin. Por cierto el diseo del observador
de Kalman extendido, consiste en encontrar la matriz de ganancia K (b x) que
minimice el error cuadrado promedio:
Z t
E= eT ed (3.11)
0
3.1. INTRODUCCIN 33
Con la dinmica descrita por (3.7), la matriz R (b

x) puede ser mostrada como
sigue:
K (b x) LT
x) = R (b (3.12)
Donde la matriz simtrica de n n (variante en el tiempo) R (b
x) es la solucin
de la siguiente ecuacin matricial de Riccati:
d
R = RLT LR + RAT (b x) + A(b
x)R (3.13)
dt
R = RT , R(0) = R0 = R0T
Notamos que es posible tener una formula ms general por introduccin de

la matriz de pesos W que permita diferentes pesos para diferentes trminos del
error de salida con punto de vista estandarizado de la norma del error. Entonces
las ecuaciones (3.12) y (3.13) se hacen:
d
R = RLT W LR + RAT (b x) + A(b
x)R (3.14)
dt
R = RT , R(0) = R0 = R0T
De acuerdo con Dochain[40].
f (x1 , ..., xn ) = 0

f f
f (x1 , ..., xn )[f (x1 , ..., xn )]0 = f (x1 , ..., x10 )+...+ f (xn , ..., xn0 )
x1 0 xn 0
Sensores virtuales o software sensors

Durante los procesos de fermentacin, las variables tales como las concen-
traciones son determinadas experimentalmente (o line), realizando anlisis de
laboratorio. Muchas de los principios activos farmacuticos son protenas ter-
aputicas recombinantes. Estas son formadas en microorganismos modificados
genticamente o clulas animales. Estos biolgicos son molculas complejas y
es conocido que su eficiencia clnica puede ser influenciada por los cambios en
el proceso de cultivo. Por tanto, las compaas reciben su aprobacin slo si el
proceso esta sometido a un margen de control. Autoridades regulatorias como
la Administracin de Drogas y Alimentos (FDA, por sus siglas en ingls) en
Estados Unidos de Amrica y la Agencia Europea de Medicamentos (EMEA,
por sus siglas en ingls) en Europa demandan pruebas de que el proceso es con-
sistente. Lo anterior debido a que cuando un proceso es arrastrado ms all de
los lmites especificados, esto puede ser causar de las distorsiones en el equipo,
la operacin, o la contaminacin.
El diseo de sensores virtuales o software sensor s ha demostrado ser una
herramienta til en el monitoreo y el control de los bioprocesos. Un sensor vitual
es la asociacin de un sensor (hardware), el cual permite la medicin en lnea
de algunas variables del proceso y un algoritmo de estimacin (software) para
proveer en lnea los valores estimados de las variables de estado que no pueden
ser medidas, parmetros del modelo o para vencer retardos en las mediciones.
Muchas tcnicas de estimacin han sido propuestas en la literatura. Entre estas
tcnicas, cuatro de ellas han sido reconocidas para tener fuerte potencial en la
estimacin en lnea en los bioprocesos, a saber, (1) estimacin a travs de ele-
mentos de balance; (2) observadores adaptables; (3) tcnicas de filtrado (Filtro
de Kalman, FK, filtro extendido de Kalman, EFK (por sus siglas en ingls));
(4) redes neuronales artificiales [41]. Una quinta tcnica que se propone en este
trabajo son las Redes Neuronales Diferenciales o Dinmicas (RND). Adems,
pueden ser usados otros algoritmos de estimacin [42], en Docahain [40] describe
ocho diferentes algoritmos de estimacin para estados o parmetros en proce-
sos bioqumicos: Observador de Luenberger Extendido (ELO), por sus siglas
en ingls), Observador de Kalman Extendido (EKO, por sus siglas en ingls),
observadores adaptables no lineales, observador asinttico, observador por in-
tervalos [43], EKO para estimar estados y parmetros combinados, observador
con parmetros desconocidos como parmetro de diseo, observador adaptable.
En Borgaerts y col. [44] se utilizan estimadores basados en el concepto de la ob-
servabilidad cannica para sistemas no lineales. El diseo y la aplicacin de un
software sensor se han aplicado en sistemas biolgicos en [45].
3.2. Estimacin a travs de elementos de ba-

lance
La estimacin de estados o parmetros a travs de balances de masa, es una
tcnica que est basa en los balances de masa en el sistema y cuando se trata de
biotransformaciones los balances de masa se relacionan con modelos cinticos
de crecimiento de los microorganismos. Estos balances pueden ser estructurados
o no estructurados. En el caso de los primeros la estequiometra del crecimiento
microbiano es indispensable en los balances de masa. Debido a que se rela-
ciona directamente con otros estados en el sistema (biorreactor) como consumo
de oxgeno, generacin de calor por mencionar algunos, y que en definitiva su
dinmica es caracterstica de su aplicacin (de los modelos cinticos) para los
diferentes tipos de cultivos. Los principales balances de masa en un biorreactor
estan relacionados con la fase del lquido, gas y slido.
3.2.1. Estimacin a travs de observadores adaptables

Los observadores pueden ser usados para aumentar o remplazar sensores en
un sistema de control. Los observadores son algoritmos que combinan seales
disponibles con otro conocimiento del sistema de control para producir seales
observadas. Estas seales observadas pueden ser ms exactas, menos caras de
producir, y fiables como las seales censadas. Los observadores diseados ofrecen
una invitacin alternativa para adicionar nuevos sensores.
Como con cualquier observador, un observador adaptable entrega la esti-
macin de las variables del proceso (estados) o parmetros, por simulacin del
modelo del proceso con un trmino proporcional de correccin entre la diferencia
3.2. ESTIMACIN A TRAVS DE ELEMENTOS DE BA-LANCE 35
de las mediciones y su preedicin o valores estimados. Adems, en esta apro-

ximacin, los valores de los parmetros cinticos, los cuales son desconocidos,
son diseados continuamente hasta lograr que el error converja a cero o muy
cercano a cero. [39]. Las ecuaciones bsicas para un observador se muestran a
continuacin
d
xe = g(xe , u, ke ) + k1 [(M f (xe , ke )]
dt
d
ke = k2 [(M f (xe , ke )]
dt
Donde k1 y k2 son los parmetros de diseo del observador, los cuales tienen que
ser definidos para asegurar la convergencia de estimacin y el desempeo. En los
sistemas de control el observador de Luenberger se ha aplicado exitosamente,
en la Figura 3-2 se muestra un diagrama a bloques de la estructura de este
observador.
Biorreactor Estados
actuales Sensor
Sistema fsico
+
Error observado
Compensador -
observador
+ Estimacin:
Modelo de estados Sensor
estimacin parmetros
+
Modelo del sistema
Figura 3-2. Estructura de un observador de Luenberger
Una aplicacin importante de este tipo de observador lo encontramos como

un estimador para la velocidad especfica de crecimiento en un cultivo[40], la
caracterstica importante de este estimador, es el procedimiento de entonacin
del propio observador que aseguren la estabilidad del estimador. En M. Perrier y
col. [46] se presentan los algoritmos de estimacin para parmetros cinticos en
bioprocesos, y se presenta la teora para entonar los estimadores. Sin embargo,
el procedimiento para entonar (convergencia del error a cero) el observador, se
realiza diseando los parmetros k1 y k2 de forma manual. Zita I.T. A. Soons
[47] desarrollaron dos mtodos de control para entonar en lnea el parmetro
estimado (velocidad especfica de crecimiento) con respecto a la seal de refer-
encia y controlar el proceso de produccin de vacunas de B. pertussis en un
cultivo fed-batch con OU R OT R.
3.2.2. Tcnicas de filtrado

En el FEK la estabilidad y el desempeo no estn garantizados y depen-
den fuertemente de la aplicacin especfica, En Lorenzo y col.[48] se menciona
que la aplicacin del FEK requiere de la dinmica del modelo, que es muy difcil
para seleccionar en la prctica. El FEK tiene muchas otras desventajas, requiere
de mucha informacin a priori sobre el proceso (incluyendo datos estadsticos).
Adems, las propiedades de estabilidad y convergencia son cuestionables par-
ticularmente para estimacin de parmetros en sistemas no lineales, tales como
los procesos de fermentacin. Sin embrago, en la literatura est ampliamente
registrado el uso de este filtro. Por ejemplo, en [49].
3.2.3. Redes neuronales artificiales

Hoy en da con el gran avance en las computadoras y el procesamiento de
datos, nuevos procediminetos para modelado utilizando algoritmos de inteligen-
cia pueden ser usados. Las Redes Neuronales Artificiales (RNA) son una nueva
tecnologia que puede ser una alternativa para el modelado de parmetros de
un sistema, para modelos de simulacin muy complejos. En Garca y col. [24]
se estudi la influencia de diferentes variables sobre el coeficiente volumtri-
co de transferencia de masa, kL a, en reactores tipo tanque agitado utilizando
las RNA. Sin embargo, cuando se aplica esta metodologa es un requisito in-
dispensable disponer de conocimiento previo del proceso. Lo anterior limita la
aplicacin de las RNA si no hay manera de disponer de este conocimiento previo
de la estructura del sistema. Sin embargo, las RNA han adquirido importancia
tanto en las investigaciones acadmicas como en aplicaciones industriales. Los
dos tipos de RNA conocidos son las Redes Neuronales Estticas (RNE), usan-
do la llamada tcnica de back-propagation [50], [51] y las Redes Neuoronales
Diferenciales o Dinmicas (RND), las cuales son aplicadas en este trabajo.
3.2.4. Redes neuronales diferenciales
Las aplicaciones de la RNA como herramienta para identificar y disear

estructuras de control, a encontrado fuertes aplicaciones dada su estructura no
lineales que utiliza algoritmos de adaptacin y ajuste de parmetros [52], [53],
[54], [55].
Captulo 4
Diseo del Estimador para

el Prametro kLat
4.1. Introduccin
En este captulo se presentan primeramente la metodologa de la experi-
mentacin de los diferentes cultivos que integraron la base de datos experimen-
tales, la cual se utiliz para validar el software sensor diseado y finalmente se
presentan las diferentes tcnicas que fueron utilizadas para disear el estimador
para el coeficiente volumtrico de transferencia de masa, kL at utilizada para el
diseo del software sensor. La metodologa utilizada para disear el estimador
se realiz llevando a cabo dos etapas de trabajo, siendo la primera el uso de las
tcnicas de Redes Neuronales Diferenciales (RND), esta metodologa se utiliz
para identificar (entrenamiento) y observar (estimar) los estados del modelo de
un reactor lote y lote alimentado y a los estados experimentales obtenidos en
procesos de biotransformacin en dos diferentes modos de operacin: reactor
lote alimentado y en lote para los sistemas biolgicos Saccharomyces cerevisiae
y Azotobacter vinelandii respectivamente. En la segunda etapa se detallan los
algoritmos utilizados y diseados para estimar la evolucin del parmetro kL at
en cada tipo de cultivo. Esta ltima etapa se acopla con las tcnicas de RND
y en conjunto se desarrollo el software sensor para estimar el parmetro kL at .
4.2. Metodologa experimental

4.2.1. Sistemas de cultivos
Los datos experimentales que se utilizaron para integrar la base de datos
experimentales (vase Tabla 5.1) fueron los siguientes:
1. Reactor lote alimentado: Cultivo aerobio para Saccharomyces cerevisiae.
2. Reactor lote: Cultivo aerobio para Azotovacter vinelandii
37
38CAPTULO 4. DISEO DEL ESTIMADOR PARA EL PRAMETRO KL AT
4.2.2. Fermentacin: S. cerevisiae

Las fermentacines en lote alimentado (S. cerevisiae), se llevaron a cabo en
un biorreactor tipo tanque agitado de 15 L (applikon Z81315 M607). El bio-
rreactor estaba provisto de unidades de control de pH y oxgeno disuelto. El
pH del medio de cultivo fue controlado con una solucin de amonaco-agua al
20 % (v/v), siendo esta solucin la nica fuente de nitrgeno. La temperatura
fue controlada automticamente. Las condiciones estndar del cultivo fueron:
pH 5.0, temperatura 30o C, el flujo de aire de 450 Lh1 , oxgeno disuelto con
valor de saturacin (0.8 mgO2 L1 ). Se aliment el cultivo con medio fresco en
dos porciones, una de solucin de glucosa (fuente de carbono o sustrato) y otra
de solucin de nutrientes minerales y vitaminas (Vase apnice 1). La solucin
de glucosa se aliment de forma pulsante al biorreactor, con un flujo prome-
dio de 0.15 Lh1 . Se diseo un algoritmo de control de tipo PI simple (no se
muestra) manejado por una computadora personal, que control los flujos de
alimentacin de sustrato y minerales; para evitar la acumulacin de glucosa en
el medio de cultivo y causar la formacin de ambientes heterogneos (gradi-
entes de concentracin) de sustrato, que inhiben las enzimas responsables del
metabolismo respiratorio de la levadura. Esta tcnica permiti sostener el crec-
imiento y obtener una produccin de biomasa mxima, mientras que la solucin
de minerales se aliment al biorreactor a flujo constante.
Biomasa. El crecimiento de la levadura fue seguido midiendo la densidad
ptica del cultivo a 620 nm con un espectrofotmetro de UV-V (Hitachi U-2000).
La correlacin entre peso seco y la densidad ptica fue establecida previamente.
Glucosa. La concentracin de glucosa fue determinada por el mtodo de la
oxidacin de la glucosa con un analizador automtico (YSI 2700 Select).
Medios de cultivo Los medios de cultivo utilizados para las corridas expe-
rimentales se reportan en el anexo apndice 1.
4.2.3. Fermentacin: A. vinelandii

A vinelandii es una bacteria gram negativa, de vida libre y fijadora de ni-
trgeno. Esta bacteria es interesante por su capacidad de producir un polmero
de inters industrial, el poli-B-hidroxibutirato (PHB) y por la produccin de
alginatos. Para el cultivo de A. vinelandii, con el fin de separar el efecto hidro-
dinmico de aquel del oxgeno disuelto, se us un sistema de fermentacin que
permiti controlar el oxgeno disuelto a 3 % (por medio de mezcla de gases), sin
afectar las condiciones de mezclado (hidrodinmica).
Los caldos (conteniendo clulas) que se obtuvieron tanto en matraces co-
mo en el tanque agitado fueron viscosos y pseudoplsticos. En matraces, los
caldos filtrados (sin clulas) fueron de baja viscosidad y Newtonianos. Sin em-
bargo, aquellos obtenidos en fermentador, resultaron de alta viscosidad y con
caractersticas pseudoplsticas. Las propiedades reolgicas de los caldos libres
de clulas estuvieron asociadas con una elevada acumulacin de compuestos
extracelulares (proteinas y carbohidratos) que viscosifican elmedio.
4.3. METODOLOGA PARA EL SOFTWARE SENSOR: DIAGRAMA A BLOQUES39
Enrique Galindo y col. demostraron que la velocidad especifica de crecimien-

to, , de A vinelandii determina la masa molecular del alginato producido por
esta bacteria. Lo anterior fue probado con un cepa mutante (SML2) de A.
vinelandii incapaz de producir alginasas. Los cultivos se desarrollaron en reac-
tor lote alimentado y lote bajo condiciones constantes de tensin de oxgeno
disuelto mostraron que para el caso de un estado estable casi estacionario (fed
batch), fue de 0.03 0.009, 0.06 0.013 y 0.09 0.012 h1 y para el reactor
lote u fue de 0.21 h1 . Por tanto la masa molecular promedio de alginato se
incrementa cuando decrese. [56].
Cultivo en reactor lote
El cultivo en reactor lote se desarrollaron en un biorreactor Applikon (Schiedam,
Netherlans ) usando un volumen de trabajo de 1.8 L. El biorreactor estaba
equipado con dos turbinas tipo Rusthon (dimetro = 5 cm.) y fue operado a
700 rpm y 29 o C. La velocidad del flujo de aire al fermentador fue 1.0 L mn1 .
El pH fue medido con un electrodo Ingold (Columbus, USA) y controlado au-
tomticamente usando una solucin de NaOH 2N. La tensin de oxgeno disuelto
(DOT, por sus siglas en ingls) fue monitoreado con un electrodo polarogrfico
Ingold y controlado a un valor 3 % con respecto al valor de saturacin usando
un sistema basado en un control tipo PID.
4.3. Metodologa para el software sensor: dia-

grama a bloques
Es importante resaltar que el objetivo principal de este trabajo esta rela-

cionado con la observacin de la dinmica del estado de un biorreactor, a travs
del proceso de observacin de los estados y estimacin de parmetros partiendo
de la informacin disponible o medible en el sistema. Pero no es suficiente la
observacin del proceso sino tambin se requiere controlar el proceso. Si consi-
deramos esto ltimo, en la Figura 4-1 se muestra un esquema de control de un
biorreactor. En el recuadro con lnea de color rojo se muestra de manera general
los elementos necesarios para controlar el proceso. Estos elementos son algorit-
mos matemticos, es decir, un software de control o un software sensor (sensor
virtual), por tanto, la ubicacin de este trabajo en un esquema de control de
un biorreactor corresponde a la parte del diseo de los algoritmos matemticos
(software) para construir un sensor virtual. Este software utiliza la informacin
disponible en el biorreactor para estimar el parmetro kL a en lnea.
La combinacin entre el diseo de un algoritmo de control y software sensor
propuesto en este trabajo se sugiere que puede ser utilizado en combinacin con
un tcnica de control para controlar el proceso, actuando sobre un elemento fsico
en el biorreactor a partir de la informacin entregada por el software sensor.
Control del proceso
Prefermentador Algoritmo de Software

control sensor
Biorreactor o
Fermentador de
produccin Sensores:
analizadores y
aparatos de
medicin
Substrato
Figura 4-1: Esquema general de control de un biorreactor
La estructura general de la metodologa utilizada se muestra en la Figura.

4-1
En la Figura 4-2 se muestra la estructura general de la metodologa utilizada
en este trabajo. En el recuadro identificado como a) se refiere al sistema (bio-
rreactor). La dinmica del biorreactor se puede generar a partir de un modelo
matemtico o experimentalmente. Cuando se utiliza un modelo matemtico que
describe al sistema (reactor lote, lote alimentado, batch y fed batch respectiva-
mente) en cuyo caso los estados disponibles (salidas yt = Cxt ) aqu se repre-
T T
sentan como ytM odelo = Xt St Ct Vt con C = 1 1 1 1 (todos los
T
estados son conocidos) con x = Xt St Ct Vt y para el caso experimental
Exp T
los estados disponibles se identifican aqu como yt = XtExp StExp CtExp VtExp .
En el primer caso cuando se dispone del modelo que describe la dinmica del
biorreactor (para este estudio reactor lote y lote alimentado) la informacin so-
bre la dinmica del sistema esta completa, sin embargo, en una situacin prctica
o de aplicacin (experimentacin) disponer de los estados para observar y con-
trolar el sistema es una funcin directa de la instrumentacin disponible en el
T
biorreactor, esto implica que C no siempre tiene la forma C = 1 1 1 1 .
En este trabajo se asumi que el nico estado disponible en lnea fue la
4.4. MODELO DEL BIOREACTOR: ESQUEMA BSICO 41
concentracin de oxgeno disuelto en el medio de cultivo, Ct , esto implica que

T
C = 0 0 1 0 o que ytExp = Ct xt , sin embargo, en la estructura del
algoritmo para estimar el parmetro kL at se requiere de la dinmica de la bio-
masa, Xt , en lnea y t . La biomasa (y el resto de los estados) se generan con
la RND. La RND esta representada en el recuadro b), en este punto la RND
recibe la informacin disponible ytExp = Ct xt y acta sobre esta para obser-
var aquellos estados que no pueden ser medidos y generar todos los estados del
h iT
sistema ytRN D = X bt Sbt C bt Vbt .
Sistema
a)
Experimentacin Biorreactor Modelo

Exp T Modelo T
yt Xt St Ct Vt yt Xt St C t Vt
Reactor: Batch, Feed-batch
Modelo T Exp T
Exp
yt C t xt yt Xt St Ct Vt yt Xt St C t Vt
b)
RND
T
Observador x t0 X S C V Identificador
T T
RND RND
yt Xt St Ct Vt yt Xt S t Ct Vt
c) Estimadores

ut
Velocidad
Velocidad Especfica
Especfica de
de Crecimiento
Crecimiento
k Lat
Coeficiente Volumtrico de
Coeficiente Volumtrico de
Transferencia de Oxgeno
Transferencia de Oxgeno
Figura 4-2: Diagrama general a bloques de la metodologa

Entonces los estados observados por la RND ytRN D se utiliza en la es-
tructura de los estimadores (recuadro c)) para estimar el kL at . Ntese que el
vector de estados (xt ) no est relacionado con la dinmica de formacin de algn
producto (Pt ) ya que en este estudio no se consider necesario conocer la dinmi-
ca de Pt , debido a que el diseo de los algoritmos para estimar el parmetro
kL at estn relacionados con la informacin disponible el lnea y principalmente
porque la estructura del estimador no se requiere de la dinmica de Pt .
4.4. Modelo del bioreactor: esquema bsico

El esquema general de un biorreactor (un sistema) y su ambiente se muestra
en la Figura 4-3, donde se distingue lo siguiente:
Factores no controlables
(Ruido y perturbaciones)
Factores Informacin
controlables disponible
(Acciones de control) (Salidas)
Biorreactor
Figura 4-3: Sistema (biorreactor)
Estados del sistema:

T
xt : = x1,t , ..., xn,t
Acciones de control:
T
ut : = u1,t , ..., uk,t (4.1)
Informacin medible (salidas):
T
yt : = y1,t , ..., ym,t (4.2)
Ruido y perturbaciones no controlables (entradas no controlables):
x,t , perturbaciones de la dinmica del sistema (4.3)

y,t , perturbaciones de los datos de medicin
4.4.1. Dinmica general del modelo

El biorreactor se considera como un sistema cuya dinmica se describe por
la siguiente relacin.
d
x = F1 (x) + F2 (x) (4.4)
dt
donde x <n es el vector estados, Rp es el vector de parmetros descono-
cidos y F (x)1 y F (x)2 son (matrices) generalmente no lineales, de funciones del
4.5. REDES NEURONALES DIFERENCIALES 43
vector de estados. Un ejemplo clsico son las ecuaciones de balance de materia

y energa en el biorreactor. (Bastin y Dochain, 1990)
Un proceso biotecnolgico puede ser definido como un conjunto de M reac-
ciones envolviendo N componentes. La dinmica de un modelo en un tanque
agitado con mezclado perfecto puede ser deducida de las consideraciones del
balance de masa (vase capitulo I) y escrita en la siguiente forma
d
x = KG (x) + F Q Dx (4.5)
dt

Donde xt , K, G(x), F, Q y D son el vector de estados del proceso gL1 (ms

la temperatura K cuando se considera un balance de energa), matriz de
coeficientes estequiomtricos, el vector
de la velocidad
de reaccin gL1 h1 ,
el vector de velocidad
1alimentacin
gL1 h1 , el vector de velocidad para los
1
1
gases exhaustos gL h y la velocidad de dilucin h respectivemente.
Los balances de masa y energa dados en el modelo descrito por (4.5) esta
compuesto de dos trminos
1. La dinmica de transporte: (F Q Dx) debido al flujo de materia a

travs del reactor.
2. La dinmica de reaccin o la biocomversin (G (x) ) debido a las bio-

transformaciones.
4.5. Redes neuronales diferenciales

El modelo de un biorreactor (lote o lote alimentado ) sistema (4.5) puede
ser generalizado, en un sentido matemtico como
d
xt bt = f (xt , ut , t) + 1,t , x0 conocida
= x (4.6)
dt
yt = Cxt + 2,t
xt Rn ,yt Rp t 0, ut Rm
C Rpn , t,1 Rn1 y 2,t Rp1
kCxt kik 2,t k
Donde: xt Rn es el vector de estados en t 0, yt Rp es la salida

correspondiente, disponible en cualquier tiempo (es una combinacin lineal de
los elementos de estado), ut Rm es la alimentacin externa, C Rpn es
la matriz de transformacin del estado a la salida (seleccionada como C =
T
0 0 1 0 , puesto que la concentracin de oxgeno disuelto en el medio de
cultivo es la variable ms comn a medir en los procesos aerobios, es decir, el
conocimiento a priori , 1,t y 2,t son los ruidos que no pueden ser medidos
(pero si acotados) en la dinmica del estados y la de la salida respectivamente:
k j,t k2,j , ,j > 0, j = 1, 2 (4.7)

que puede ser asociada con diferentes condiciones de operacin del biorreactor
y errores en la medicin de la variable disponible (oxgeno disuelto en el medio
de cultivo). Ntese que el sistema no lineal (4.6) siempre puede ser descrito
como:

xbt = f0 (xt , ut , t | ) + fet + 1,t (4.8)
fet : = f (xt , ut , t) f0 (xt , ut , t | )
Donde f0 (xt , ut , t | ) es conocido como la dinmica nominal la cual puede

ser seleccionada de acuerdo a los resultados tericos de RND y fet es el vector
llamado dinmica no modelada que debe ser minimizada durante el proceso de
entrenamiento. Aqu el parmetro es sujeto a ser ajustado para obtener la
completa entonacin entre la dinmica nominal y la dinmica no modelada.
Segn RND (Poznyak 2001). La dinmica nominal se define como
f0 (xt , ut , t | ) = A0 x + W10 (x) + W20 (t) u (4.9)

: = W10 , W20 , A0 <nn , W10 , W20 <nn , (x) <l1 , (t) <nm
(4.10)
Las funciones de activacin i () y () son seleccionadas como funciones sig-
moides
1
Xn
j (t) : = aj 1 + bj exp cj xj (4.11)
j=1
1
Xn
kl (t) : = aj 1 + bkl exp ckl xl (4.12)
j=1
j = 1, n, k = 1, n, l = 1, m
cada componente de la funcin de activacin satisface las siguientes condiciones
k (x) (x) k2 l kx xk2 , k ( (x) (x)) k2 l kx xk2 (4.13)
donde y son factores de ponderacin para acotar las funciones de

activacin j (t) y kl (t) respectivamente.
4.5.1. Identificador de estados

Consideramos la dinmica de un reactor lote alimentado descrita por el sis-
tema (1.14-18), donde el vector de estados (xt ) se conoce completamente (datos
experimentales). La evolucin de los estados puede ser identificada utilizando
la RND, buscando la mejor aproximacin a este modelo no lineal usando los
datos conocidos de entrada y salida. La descripcin de este tipo de RND es:

et = Ae
x xt + W1,t (e
xt ) + W2,t (e
xt ) ut (4.14)
Donde x et <n es el vector de estados de la RND, ut <q , es la accin de
control, A <nn es una matriz Hurwitz, W1,t <nk es la matriz de pesos
para la retroalimentacin de los estados no lineales, W2,t <nr es la matriz
de pesos de entrada, vector de campo (e xt ) : <n <k es diseado para
tener elementos con una conducta de incremento montonamente justo como
funcin sigmoide. La funcin () la transformacin de <n a <rs la cual es
construida por funcin sigmoide de activacin en cada elemento. La funcin de
entrada u () se asume a ser acotada como kut k2 u. El diseo del identificador
requiere del siguiente condicin: existe una matriz Hurwitz Q definida positiva
tal que la ecuacin de Riccati tiene una solucin positiva P = P T > 0
AT P + P A + P RP + Q = 0 (4.15)
Teorema 1. Consideramos el sistema no lineal (4.6) el modelo del identificador
de la red neuronal cuyos pesos son ajustados por las siguiente ley de aprendizaje
[26]:
d T
W1,t = K1 P t (b
xt ) (4.16)
dt
d T T
W2,t = K2 P t (b
ut ) (b
xt ) (4.17)
dt
t : bt
= xt x (4.18)
W1,0 , W2,0 Matriz de pesos iniciales (4.19)

T
Donde K1 y K2 son matrices definidas positivas, P (P = P > 0) es la solucin
de la ecuacin de Ricatti dada por (4.15). Se asume que la dinmica de los pesos
son acotados:
W1,t L, W2,t L (4.20)
y ellos convergen a sus mejores valores posibles
lm W1,t = 0, lm W2,t = 0 (4.21)

t t
Adems, es posible concluir que la identificacin del proceso es asintoticamente

consistente
lm t = 0 (4.22)
t
El elemento principal para construir la prueba de convergencia en este esquema

es construir una funcin de Lyapunov para derivar las leyes de aprendizaje (4.16-
17). Esta funcin de Lyapunov fue selecciona como:
h i h i
Vt : = Tt P t + tr Wf1,t
T f1,t + tr W
K11 W f2,t
T f2,t
K11 W (4.23)
fj,t = Wj,t Wj,0 ,

W j = 1, n (4.24)
La demostracin de las layes de aprendizaje La demostracin de las

leyes de aprendizaje que ajustan la dinmica de la RND se muetra en el apndice
8.
4.5.2. Observador de estados

En esta seccin se describe la estructura del Neuro-Observador Diferencial
(NOD) para Sistemas no lineales desconocidos, la tcnica de la RND puede
ser aplicada exitosamente a modelos no lineales desconocidos. Esta metodologa
para la observacin de estados usando la dinmica de la red neuronal diferencial
recurrente, para sistemas continuos o discontinuos no lineales, los cuales presen-
tan perurbaciones externas como internas pero acotados, El diseo del NOD
esta propuesto para alcanzar una exactitud especificada del error de estimacin.
Si la parte del lado derecha de la ecuacin de f (xt , ut , t) en (4.14) es conocida,
la estructura del observador puede escogerse de tipo Luenberger
bt , yt ) = f (b
F (t, x bt ) ,
xt , t) + K (yt C x K Rnm (4.25)
que corresponde a la forma estndar del observador tipo Luenberger con un

trmino de correccin lineal.
La estructura de un correspondiente observador no lineal puede ser descrita
como sigue
d
x bt , ut , t) + Kt [yt C x
bt = f (x bt ] (4.26)
dt
d
bt = A(0) x
x bt + W1,t (b
xt ) + W2,t (b bt ]
xt ) ut + Kt [yt C x (4.27)
dt
Donde Kt Rnm es la matriz de ganancia del observador, x bt es el vector
de estados en la ecuacin diferencial matricial. Las condiciones iniciales en la
ecuacin vectorial diferencial son x bt=0 las cuales se fijan. A este esquema se le
llama Neuro-Observador.
De manera semejante como en la estructura del identificador el error se define
como t : = xt x bt ,
El factor ms importante sobre la dinmica de la RND esta relacionado con
la evolucin en el tiempo de los pesos. Esto es una consecuencia de la estructura
compleja no lineal de las ecuaciones diferenciales en la matriz de pesos. Para el
modelo del observador las leyes de aprendizaje se definen de la siguiente manera
d
W1,t = (1,t + 2 ,t ) [W1,t W1 ] (b xt )T M1,t
xt ) (b (4.28)
dt
d
W2,t = k(ut )k2 (1,t + 2 ,t ) [W2,t W2 ] (b xt )T M2,t
xt ) (b (4.29)
dt
W1,0 = W1 , W2,0 = W2 (4.30)
con
+T 1
1,t = P N T C0+ (1 1
C + 2 ) C0 N P (4.31)
2 ,t = P N T N 1 P (4.32)
xt ) yet C0+
M1,t = 2P N T (b (4.33)
xt ) (ut ) yet C0+

M2,t = 2Pt N T (b (4.34)
Kt = Pt1 C0T 1 (4.35)
Para construir la prueba de convergencia en este esquema es nuevamente cons-

truir una funcin de Lyapunov para derivar las leyes de aprendizaje. Esta funcin
de Lyapunov fue selecciona como:
1 hfT f i 1 hfT f i
Vt := Tt P t + tr W1,t W1,t + tr W2,t W2,t (4.36)
2 2
Para P T = P > 0 a lo largo de la trayectoria de la ecuacin diferencial siguiente
d d d
= x bt xt (4.37)
dt dt dt
Finalmente la metodologa para la RND como identificador y el observador

de estados basado en RND descrita previamente se puede resumir de manera
esquemtica, esto se muestra en la Figura 4-4 aqu se observa la interaccin
en lnea tanto para el proceso de entrenamiento y el proceso de observacin
de estados, es importante sealar que todo en el proceso los algoritmos fueron
diseados para evolucionar acoplados y en continuo.
ut Planta xt
Biorreactor +
Yt

RND xt - C
IDENTIFICADOR +
xt xt Yt Yt
-
RND Yt
C
OBSERVADOR
K
Figura 4-4: Diagrama a bloque de la RND. Identificador y observador
El identificador de estados basado en la RND se representa en la Figura 4-4

por el bloque rojo y su interaccin con la planta o el biorreactor.
4.5.3. Mtodo de entrenamiento de la red
La representacin a bloques para el proceso de entrenamiento de la red se

muestra en la Figura 4-5 en el cual se lleva acabo el ajuste de los parmetros
que forman parte de la estructura del identificador. Donde se observa que la
identificacin de los estados en el biorreactor a partir de la convergencia del error,
bt , a cero o muy cercano a cero. Esto es, la red se modifica continuamente
xt x
por medio del ajuste de los pesos W1,t y W2,t (proceso de aprendizaje) hasta
que el error xt xbt converge a cero, cuando esto se cumple se dice que la red a
adquirido las propiedades del sistema (biorreactor).
a) Entrenamiento de la RND
ut Planta xt
Biorreactor
xt = [ X t Ct Vt ]
T
St +
T
xt xt
xt = X t St C t Vt
-
xt
RND
IDENTIFICADOR
Figura 4-5: Diagrama a bloques para el idendificador

Esto es importante cuando la descripcin matemtica de un proceso real
se torna complicado o prcticamente imposible, es cuando surge la necesiadad
de recurrir a mtodos computacionales que permitan obtener un modelo del
sistema a partir de datos experiementales disponibles por algn mtodo clsi-
co de medicin (anlitico, quntico, etc), es decir, la llamada identificacin de
sistemas. Se entiende por identificacin del sistema, la obtencin de forma algo-
rtmica de un modelo que reproduzca adecuadamente (con suficiente exactitud
para fines deseados), las carcteristicas dinmicas del proceso bajo estudio.
El concepto de identificacin implica el uso de tcnicas que permitan cons-
truir modelos matemticos de sistemas dinmicos, a partir de informacin con-
tenida en un conjunto de datos de entrada y salida (20, 19, 56, 57, 19).
En esta parte se considera el proceso de entrenamiento de RND, en la cual se
lleva acabo el ajuste de los parmetros que componen la estructura del identifi-
cador (Pesos). Para garantizar que el error de estimacin sea lo suficientemente
pequeo, se debe realizar la entonacin de los parmetros de la red neuronal, en-
tre los cuales se encuentra la matriz A. Este ajuste se lleva a cabo durante esta
etapa conocida como entrenamiento. En este caso, el proceso de entrenamiento
se llvo a cabo utilizando datos experimentales y previamente la obtencin de de
un cunjuto de datos de entrada y los datos ganerados en la solucin nmerica
del sistema (1.14-18), el cual es utilizado para afinar el ajuste del identificador.
En resumen, este es el primer paso en la obtencin de una mayor calidad del
proceso de modelado va la red neuronal diferencial. A su vez, este mismo pro-
cedimiento es esencial para la observacin de los estados del sistema. As, la
matriz A fue seleccionada como una matriz diagonal.
De igual forma la representacin a bloques del proceso de observacin de los
estados que no estan disponibles en el biorreactor a partir de un slo estado que
si esta disponible se muestra en la Figura 4-6. Lo anterior se logra debido a que
el NOD previamente en el proceso de entrenamiento adquiri las propiedades
del sistema. Todo el proceso de observacin de estados no medibles, Xt , St y

bt converge a cero o muy
Vt , se obtiene cuando la observacin del error Ct C
cernano a cero, por lo cual, en diagrama abloques la matriz de salida, C, se
define como:

C := 0 0 1 0
b) Observador basado en RND
ut Planta Yt = [ X t St Ct Vt ]
Biorreactor
C = [ Xt Vt ] C
T
St Ct
+
C = [ 0 0 1 0]
T
Yt Yt
RND -
C
OBSERVADOR
Yt
K
Yt = [ 0 0 Ct 0]
Figura 4-6: Diagrama a bloques de la estructura del observado
4.6. Estimacin de parmetros: algoritmos

La contribucin en esta seccin es mostrar el diseo de los algoritmos para
estimar los parmetros t y kL at , los algoritmos se caracterizan por las si-
guientes propiedades:
a) Ellos estan basados sobre la estructura no lineal de los sistemas de ecua-
ciones (1.9-1.19), (1.35).
b)Todos los parmetros mt
ax
, C , YXS , YO2 se asume que son conocidos.
d) Se asume que para los datos experimentales las entradas Dt y St=0 son
conocidas.
e) Los algoritmos presentados son esquemas en tiempo continuo.
4.6.1. Modelo matemtico del proceso de fermentacin

De acuerdo a lo expuesto en el captulo 1 (modelos matemticos de proce-
sos de fermentacin), el modelo bsico del comportamiento para el crecimiento
4.6. ESTIMACIN DE PARMETROS: ALGORITMOS 51
microbiano en un reactor tanque agitado continuo se expresado como sigue

d
Xt = [t Dt ] Xt (4.38)
dt
d 1
St = k1 t Xt + Dt [Sin St ] con k1 = (4.39)
dt YXS
d
Vt = Et Ft = Dt Vt Ft (4.40)
dt
Este es claramente una representacin de un espacio- estados de tercer orden
con:
Tres variables de estados: Xt , St , Vt
Tres entradas (controles): Sin , Dt , Ft (perturbaciones)
Dos parmetros: t , k1
En este trabajo los casos de estudio del sistema (biorreactor) son:
1. Reactor lote
d
Xt = t Xt (4.41)
dt
d
St = k1 t Xt (4.42)
dt
d
Vt = Constante (4.43)
dt
2. Reactor lote alimentado

d
Xt = [t Dt ] Xt (4.44)
dt
d
St = k1 t Xt + Dt [Sin St ] (4.45)
dt
d
Vt = Et = Dt Vt (Variable) (4.46)
dt
Los cultivos estudiados (S. serevisiae y A. vinelandii , reactor lote ali-
mentado y lote respectivamente) fueron procesos de fermentacin aerobios
(biotransformaciones donde se transforman materias primas en productos,
mediante rutas metablicas activadas por la presencia de oxgeno). El ba-
lance de oxgeno disuelto en la fase del lquido (DOt , por sus sigla en
ingls) en el biorreactor esta dado por:
d Et
DOt = OT Rt OU Rt + DOt (4.47)
dt Vt
Si se considera que la dinmica del oxgeno es mucho ms rpida que
la dinmica de otros procesos releventes (biomasa, substrato) y la con-
Et Ct
tribucin del trmino de dilucin, , es pequeo comparado con la
Vt
velocidad de cambio de oxgeno disuelto. Como consecuencia en (4.47) se

puede expresar como
d
DOt = OT Rt OU Rt (4.48)
dt
go2
Donde
go2 OT R t Lh es la velocidad de transferencia de oxgeno y OU Rt
Lh es la velocidad de consumo de oxigeno, debido a la actividad metabli-
ca de las clulas.
4.7. Estado estable o cuasi-estable

Para el cultivo de S. cerevisiae (reactor lote alimentado) bajo condiciones
normales del proceso, se asume que no hay una velocidad de acumulacin
significante de oxgeno en la superficie del gas en la parte alta del lquido en el
biorreactor (exhaustos), la velocidad de transferencia de oxgeno en la interfase
gas-lquido son iguales. La evolucin del oxgeno disuelto en el medio de cultivo
se asume constante o por lo menos muy cercana al 10 % con respecto al valor
de saturacin, por lo cual OT Rt ' OU Rt , esto es un estado seudo estable en
el reactor lote alimentado. Entonces la dinmica del oxgeno se utiliz para
evaluar la evolucin del kL at considerando las lecturas entregadas por el sensor
para oxgeno disuelto es
OT Rt ' OU Rt (4.49)

kL at Ct DOtSensor = OU Rt (4.50)
Resolviendo para kL at en la ecuacin (4.50)

1
kL at = OU Rt (4.51)
Ct DOtSensor
Y cuando DOtSensor 0 De la igualdad (4.51) la velocidad mxima de trans-
ferencia de oxgeno esta dada por

C
kL at C = OU Rt (4.52)
C DOtSensor
y cuando DOtSensor tiende a cero en (4.52), se tiene que kL at C = OU Rt . Las
lecturas del sensor, DOt , tiene un tiempo de respuesta Sensor [s] y es modelado
con un sistema de primer orden con
d 1 1
DOtSensor = Sensor DOtSensor + Sensor DOt (4.53)
dt
El parmetro kL at se calculo utilizando los datos experimentales a partir de la
expresin (corrida CDA-IBT)

1 1 1
kL at = OU Rt = t (4.54)
C DOtSensor YO2 C DOtSensor
4.7. ESTADO ESTABLE O CUASI-ESTABLE 53
Se asumi que el estado estable se inicia inmediatamente despus de haber ter-

minado el modo de produccin en lote, es decir, instantes despus de iniciado
el cultivo en lote alimentado. Durante el cultivo en lote alimentado, la con-
centracin de substrato, prcticamente es cero, es decir, St 0. Por lo tanto
dSt
dt ' 0. Este comportamiento se puede ver en la Figura 4-7
CDA CDA-1
10 12
Reactor: lote alimentado Reactor: lote alimentado
10
8
8
S(t) [g*L-1]
S(t) [g*L-1]
6
6
4
4
2
2
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo [h] Tiempo [h]
S(t)
CDA-2 CDA-IBT
12 25
Reactor: lote alimentado Reactor: lote alimentado
10
20
8
S(t) [g*L-1]
S(t) [g*L-1]
15
6
10
4
5
2
0 0
0 5 10 15 20 25 30 0 20 40 60 80
Figura 4-7 Dinmica de St , reactor lote alimentado (S. cerevisiae)
En los cultivos CDA, CDA-1 y CDA-2 (para cultivos de S. cerevisiae)

en la Figura 4-6 la concentracin de St en el biorreactor en lote alimentado
es St 0 (estado seudo-estable). Pero en CDA-IBT (cultivo en lote de A.
vinelandii) St es variable todo el tiempo del cultivo.
Del balance de masa para el substrato (4.45) se tiene que t = t (Ft ), es
decir, t es una funcin del flujo de alimentacin al biorreactor. Para establecer
la relacin de t (F ) se tiene que
t (F ) = qSt YXS (4.55)
Entonces de (4.45)
1
0' Xt + Dt Sin (4.56)
YXS t
1
Dt Sin = Xt (4.57)
YXS t
La expresin (4.57) puede ser utilizada para disear la velocidad de alimentacin,

Ftin , al biorreactor. Resolviendo (4.57) para t
1
Xt = Dt Sin (4.58)
YXS t

YXS
t = Dt Sin (4.59)
Xt

Ft YXS
t = Sin (4.60)
Vt Xt
En (4.60) se justifica la dependencia de la velocidad especfica de crecimiento
como una funcin del flujo de alimentacin Ft .
4.8. Coeficiente volumtrico de transferencia de

oxgeno aparente
El kL at calculado con los datos experimentales se define como el coeficiente

volumtrico de transferencia de oxgeno aparente o experimental kL aExp t .
Utilizando las ecuaciones (4.54) y (4.60) se obtiene la siguiente expresin, la
cual se utiliz para clcular el kL aExp
t

Ft YXS 1 1
kL aExp
t = Sin (4.61)
Vt Xt YO2 C DOtSensor
4.9. Anlisis de estabilidad del biorreactor

En esta seccin se analiza la estabilidad del modelo que describe la dinmica
bsica del biorreacror. Si bien el modelo del biorreactor en concordancia con la
realidad fsica, esta globalmente acotado en las entradas y los estados (BIBS,
por sus siglas en ingls), este puede exhibir un comportamiento inestable.
El anlisis de estabilidad esta basado en las siguientes suposiciones:
A1 k1 es una constante positiva

A2 0 < St=0 0 < Xt=0
A3 0 < Dt para todo t
A4 0 < Sin < Stmx para todo t
A5 0 < t < mx
t para todo t
A6 t = 0 si St = 0
A7 St=0 + k1 < Stmx con k1 = 1/Yxs
Las suposiciones A2 y A3 son triviales: la concentracin de Xt , St y la

velocidad de dilucin Dt son positivas por definicin. Suposicin A4 Los estados
o los substratos en la corriente de alimentacin solamente positivos pero tambin
tienen un limite superior. Las suposiciones A5 y A6 son bastante suaves y rea-
listas, pero la velocidad especfica de crecimiento: (a) t es positiva y acotada y
4.10. ESTIMADOR EN LINEA PARA LA VELOCIDAD ESPECFICA DE CRECIMIENTO, T 55
(b) no hay crecimiento sin substrato. Finalmente la suposicin A7 los estados al

inicio de la biotransformacin comienza con relativamente pequeas cantidades
de biomasa y substrato, sin embargo, esta suposicin no es esencial.
Teorema 1 [57]
Para la dinmica bsica del modelo (reactor lote alimentado) descrito por
(4.44-46), bajo las suposicin A1 a A7, la concentracin de biomasa Xt y la
concentracin del substrato, St , estn acotadas como sigue para todo t > 0:
Stmx
0 < St < Stmx 0 < Xt < Xtmx = (4.62)
k1
Prueba
d
1. Cuando Xt = 0, tenemos que dt Xt = 0. Entonces, la conclusin Xt > 0,
para todo t siguiendo de A2.
2. Cuando St = 0, temos que usando A3, A4, A6:
d
St = Dt Sin > 0 (4.63)
dt
3. Cuando St = Stmx , tenemos, usando A1, A3, A4, A5 en (1):
d
St = k1t Xt + Dt [Sin Stmx ] < 0 (4.64)
dt
Entonces, la conclusin St < Stmx para todo t seguida de A7.
4. Se define Zt = k1 + St . cuando Zt = Stmx y usando (4.6), (4.7) y A4:
d
Zt = Dt [Sin Stmx ] < 0 (4.65)
dt
La conclusin Zt < Stmx para todo t seguido de A7. puesto que St > 0 por
(2), claramente se tiene para todo t:
Stmx
Xt < = Xtmx (4.66)
k1
4.10. Estimador en linea para la velocidad es-

pecfica de crecimiento, t
Declaracin del algoritmo . El algoritmo desarrollado por Duchain y Bastin
para estimar la velocidad especfica de crecimiento se desarrolla y complementa
a continuacin.
Se considera un biorreactor descrito por las ecuaciones siguientes (4.44) y
(4.45), y se asume que la concentracin de biomasa, Xt , esta disponible por
mediciones en lnea (on-line).
Entonces el algoritmo puede ser usado para estimar en lnea la velocidad

especfica de crecimiento:
d b h i
Xt = bt Xt Dt Xt + C1 Xt X bt (4.67)
dt
d h i
bt = C2 Xt X
bt (4.68)
dt
1 2 1
Donde las constantes C1 h y C2 Lh g son estrictamente positivas, es
decir, C1 > 0 y C2 > 0.
La estimacin de la velocidad especfica de crecimiento t es derivada por la
observacin del error Xt X bt . La dinmica de X bt es obtenida va la ecuacin
diferencial (4.67) la cual incluye la ecuacin no lineal (4.44) (donde el parmetro
desconocido t se remplaza por su estimado en lnea) y un trmino proporcional
a la observacin del error Xt X bt .
4.10.1. Estabilidad y convergencia: caso libre de pertur-

baciones
El error en el proceso de estimacin se define como sigue
X bt
et = Xt X (4.69)
bt
et = t (4.70)
Entonces, la dinmica del error puede ser deducidad de
d e d d b
Xt = Xt X t (4.71)
dt dt dt
d d d
e =
b (4.72)
dt t dt t dt t
Desarrollando (4.71) con (4.44) y (4.67)
d e et
Xt = t Xt Dt Xt bt Xt + Dt Xt C1 X (4.73)
dt
d e et
et C1 X
Xt = Xt (4.74)
dt
y tambin desarrolla (4.72) con (4.68)
d d et
e = C2 X
(4.75)
dt t dt t
El error del sistema (4.74) y (4.75) se rescribe como
" #
d X et et
et C1 X
Xt
= d et (4.76)
dt et dtt C2 X
La estabilidad del sistema (4.76) es examinada considerando sus eigenvalores.

Para analizar los eigenvalores del sistema (4.67) con (4.68)
d
x (t) = Ax (t) + B (t) u (t) (4.77)
dt
Con h iT
x (t) = X et et
(4.78)

C1 Xt
A= (4.79)
C2 0
T
B(t) = 0 1 (4.80)
d
u =
dt t
El diseo de los parmetros C1 y C2 se visualiza al obtener la ecuacin carac-
terstica de la matriz A, det (I A),

( + C1 ) Xt
det (I A) = det (4.81)
C2
el determinante de la matriz en (4.81) es la ecuacin
2 + C1 + C2 Xt = 0 (4.82)
Esta es una ecuacin de segundo orden que se resuelve de forma general como
sigue p
C1 2 C12 4C2 Xt
i = (4.83)
2
una importante guia es seleccionar los polos reales, esto se logra estableciendo
la siguiente desiguladad (4.84) (vase apndice 4 y 5).
C12 4C2 Xt 0 (4.84)

y el diseo de los polos se puede lograr con
C12
C2 = (4.85)
4Xt
con
0 < < 1 (4.86)

sin embargo, C2 = f (Xt ) para este caso.
Para evitar que C2 = f (Xt ) la estructura del sistema (4.67-68) es reajustada
a la forma siguiente:
d b h i
bt Xt Dt Xt + C1 Xt Xt X
Xt = bt (4.87)
dt
d h i
bt
bt = C2 Xt Xt X (4.88)
dt
por tanto, con el sistema (4.71-72) se deduce el error del sistema de manera
semejante al caso anterior y sudinmica de error es
d
x (t) = Xt Ax (t) + B (t) u (t) (4.89)
dt

Con parmetros C1 Lh1 g 1 y C2 L2 h2 g 2 son estrictamente positivos, es
decir, C1 > 0 y C2 > 0.
h iT
x (t) = X et
et (4.90)

C1 1
A= (4.91)
C2 0
T
B(t) = 0 1 (4.92)
y utilizando A de (4.91), el diseo de los polos se obtiene al resolver la ecuacin
caracterstica de la matriz A, det (I A), por lo tanto, C2 ya no es una funcin
de la concentracin de biomasa, como se muestra en la siguiente relacin:
C12
C2 = (4.93)
4
Las propiedades de estabi-lidad y la convergencia del algoritmo de estimacin
(4.87-88) son analizadas bajo las siguientes suposiciones:
d
A8 La derivada de t en el tiempo esta acotada para todo t k dt t k < M1
A9 Xt es estrictamente positiva para todo t: Xt > 0
Entonces se tienen los siguientes resultados para las propiedades de estabil-

idad y convergencia
Estabilidad
Teorema 2.1 (Bastin y Dochain, 1986)
Bajo las suposiciones A1 a A9, existe una constante positiva k0 y k1 , tal que
el vector de x (t) esta acotado como sigue, para todo t:
kx (t) k k0 kx (0) k + k1 M1 (4.94)
Prueba de estabilidad
Se considera el sistema autnomo descrito por
d
= Xt A t (4.95)
dt t
puesto que C1 y C2 son seleccionadas estrictamente positivas, A tiene eigenva-

lores con parte real negativa. Por lo tanto, existe una matriz definida positiva
P y Q que satisface la ecuacin de Lyapunov
P A + AT P = Q (4.96)
Entonces el sistema autnomo variante en el tiempo (4.95) es exponencialmente
estable, puesto que
V [ t ] = Tt P t (4.97)
es una funcin cuadrtica de Lyapunov cuya derivada esta acotada por una
forma cuadrtica negativa:
d
V [ t ] = Tt Q t (4.98)
dt
es decir, el sistema autnomo descrito por (4.95) es asintticamente estable. Ms
adelante se desarrollara esta prueba para demostrar la estabilida del estimador
descrito por (4.87-88).
Convergencia
El procedimiento del teorema muestra que la estimacin del error et = t b
t
esta acotado con tal que C1 y C2 tenga valores positivos. Pero esto no nos da
informacin sobre la precisin de la estimacin de t . En este prrafo para un
seleccin ligeramente restringida de C1 y C2 , se calcula explcitamente una cota
et .
superior de la precisin asinttica de
Definiendo que 1 y 2 son los eigenvalores de A relacionada (por definicin)

con
C1 = (1 + 2 ) C2 = 1 2 (4.99)
en adelante, se asume que:
A10. El diseo de los parmetros C1 y C2 son seleccionados tal que A tenga
eigenvalores distintos y reales:
C12
1 < 2 < 0 ( por ejemplo C2 < ) (4.100)
4
De hecho una seleccin de inters prctico: si C1 y C2 fueran seleccionados tal
que los eigenvalores 1 y 2 fueran oscilaciones independiente de la variacin
de los parmetros podran ser inducidos en la estimacin.

Bajo las suposiciones A1 a A10, los errores de Xt y t estn asintoticamente
acotados como sigue:
et |= M1 = 1
lm sup | X (4.101)
t C2
C1 M1
lm sup | et |= = 2 (4.102)
t C2
Prueba:
Puesto que Xt (s) > > 0 para toda s (suposicin A9), el siguiente cambio
de escala de tiempo:
dt = Xs ds (4.103)
Permite rescribir el sistema (4.89), (4.90), (4.91), (4.92), (4.93) como sigue:
d
x(t) = Ax(t) + B o (t) u(t) (4.104)
dt
con
1 1 0
B o (t) = B (t) = (4.105)
x(t) x(t) 1
4.10.2. Estabilidad y convergencia: caso con perturbaciones

Para esta situacin se asume que las mediciones de Xt en lnea tienen la
forma
Xt,m = Xt + y,t (4.106)
Donde y,t perturbaciones de los datos de medicin.
Considerando las perturbaciones a la salida del estado, Xm,t , el algoritmo
descrito por (4.87-88) se puede escribir en la siguiente forma
d b h i
Xt = bt
bt Xm,t Dt Xm,t + C1 Xm,t Xm,t + X (4.107)
dt
d h i
b
= C2 Xm,t Xm,t + X bt (4.108)
dt t
y el error se hace
d
x(t) = Xm,t Ax(t) + B(t)u(t) (4.109)
dt
con x(t) y Xt definidas de igual forma que el caso anterior (libre de perturba-
ciones):
h iT
x(t) = Xet
et (4.110)

C1 1
A = (4.111)
C2 0
con B(t) y u(t) como sigue

Dt t C1 Xm,t 0
B(t) = (4.112)
C2 Xm,t 1

y,t
u(t) = (4.113)
u
Comentario La demostracin del algoritmo para el error (4.109) se da en el

apndice 3.
Ahora se hace necesario introducir dos suposiciones ms:
A11 La medicin del ruido y,t esta acotada, pata todo t: k y,t k < M2
A12 Xm,t es estrictamente positiva, para todo t: Xm,t > > 0
A13 La velocidad de dilucin Dt esta acotada, para todo t: 0 < Dt < Dtmx
La estabilidad y la convergencia se deducen a continuacin
Estabilidad
Bajo las suposiciones A1 a A8 , A10 a A13, existen constantes positivas k0 ,
k1 , k2 tales que el vector de error x(t) es acotado como sigue, para todo t:
kx(t)k < k0 kx(0)k + k1 M1 + k2 M2 (4.114)
La prueba de estabilidad es similar al Teorema 2.1
Convergencia
Teorema 2.4 (B y D,19986)
Bajo las suposiciones A1 a A8, A10 a A13 el error X et y
et estan asimpto-
ticamente acotados como se muestra a continuacin:

e 1 M1
lm sup | Xt | + ( + 2 C1 ) + 3 + 1 + 4 C1 M2 M2
t C2 1 2 1 1 2
(4.115)
1 C1
et |
lm sup | M1 + ( 5 C1 M2 + 6 + 7 C1 ) M2 (4.116)
t C2
con
1 2
2 1 2 2 1 2
, (4.117)
1 1
y 1 (i = 1 a 7) son constantes positivas independientes del diseo de los
parmetros C1 y C2 .
Prueba
De manera similar que en el teorema 2.2 y si se considera el siguientes cambio
de escala:
dt = Xm,s ds (4.118)
y denotando aqui que:
M2
B1 = max {Dtmx + mx
t + C1 (Xm,t + M2 )} (4.119)

1
B2 = {M1 + C2 (Xm,t + M2 )} (4.120)

1 (i = 1 a 7) pueden ser facilmente calculados de (B.8) y B.9) del apndice 6
4.11. Estimador 2: Coefciente volumtrico de

transferencia de masa, kL at .
Para el diseo del algoritmo en lnea (on-line) para estimar el parmetro
kL at , se considera el sistema compuesto por las ecuaciones de balance (4.44-
46), que en conjunto describe la dinmica del biorreactor. La construccin del
algoritmo esta basado sobre el hecho de que el consumo y la transferencia de
oxgeno disuelto, Ct , en el medio de cultivo estn relacionados directamente
con las condiciones de operacin del biorreactor y la actividad biolgica del
microorganismo respectivamente.
El balance para el oxgeno en un biorreactor esta dado por la siguiente ex-
presin
d
Ct = kL at [C Ct ] OU Rt (4.121)
dt
donde OU Rt es el trmino que corresponde a la respiracin de las clulas, es
decir, la velocidad de consumo de oxgeno (por sus siglas en ingls).
d 1
Ct = kL at [C Ct ] Xt (4.122)
dt YO2 t
se asume que los parmetros C y YO2 son conocidos.
Entonces el kL at , puede ser estimado de acuerdo con (3.3-6)
d b h i
Ct = kd
L at [C Ct ] OU Rt + C1 Ct Ct
b (4.123)
dt
dd h i
kL at = C2 Ct C bt (4.124)
dt
1 2 1
donde las constantes C1 h y C2 Lh g son estrictamente positivas, es
decir, C1 > 0 y C2 > 0.
La estimacin del coeficiente volumtrico de transferencia de oxgeno kL at es
derivado de la observacin del error Ct C bt . Las mediciones estimadas de C bt se
obtienen con la ecuacin diferencial (4.123) la cual incluye la estructura no lineal
de la ecuacin (1.21), (donde el parmetro desconocido kL at ha sido remplazado
por su estimador en lnea) y el trmino proporcional para la observacin del error
Ct Cbt .
Estabilidad y convergencia: caso libre de perturbaciones ( y,t = 0)

Si se definen los errores y su derivada en el tiempo como
ft
C = Ct Cbt (4.125)
df d d b
Ct = Ct C t
dt dt dt
4.11. ESTIMADOR 2: COEFCIENTE VOLUMTRICO DE TRANSFERENCIA DE MASA, KL AT .63
kg
L at = kL at kdL at (4.126)
dg d d
kL at = kL at kd L at
dt dt dt
Las ecuaciones (4.125) y (4.126) se expresan de una forma muy parecida a la
ecuacin diferencial de estado, ya que el estado del sistema es de primer orden
escritas en funcin de las variables de estado, es decir, la forma matricial de la
ecuacin.
d
x (t) = Ax (t) + B (t) u (t) (4.127)
dt
Donde las matrices x (t), A, B (t) se definen como:
h iT
x (t) = X et kg
L at (4.128)

C1 [C Ct ]
A= (4.129)
C2 0
T
B(t) = 0 1 (4.130)
el diseo de los parmetros C1 y C2 se visualiza al obtener la ecuacin carac-
terstica de la matriz A, det (I A) .

0 C1 [C Ct ]
det (I A) = det (4.131)
0 C2 0

( + C1 ) [Ct C ]
det (I A) = det (4.132)
C2
Y la ecuacin caracterstica se obtiene al resolver la ecuacin (4.132):
2 + C1 + C2 [Ct C ] = 0 (4.133)
Y por lo tanto
C12
C2 = (4.134)
4 [Ct C ]
En (4.134) se tiene que C2 = f (Ct ). Es necesario que la matriz A tenga la forma:

C1 1
A= (4.135)
C2 0
Por lo cual el sistema de ecuacoines (4.123), (4.124) se puede rescribir de la

forma siguiente:
d b h i
Ct = kda
L t [C
C t ] OU Rt + C1 [C
Ct ] Ct b
Ct (4.136)
dt
dd h i
kL at = C2 [C Ct ] Ct C bt (4.137)
dt

Con parmetros C1 Lh1 g 1 y C2 L2 h2 g 2 son estrictamente positivos, es
decir, C1 > 0 y C2 > 0. La dinmica del error es:
d
x(t) = [C Ct ] Ax(t) + B(t)u(t) (4.138)
dt
Con x(t), B(t) y u(t) iguales que el caso anterior y A como sigue

C1 1
A= (4.139)
C2 0
ya que se ha logrado que la matriz A sea diagonal desarrollamos det (I A)
obteniendo la siguiente ecuacin caracterstaica que tiene la forma que (4.140):
C12
C2 = , con 0 < 1 (4.140)
4
Estabilidad y convergencia: caso con perturbaciones ( y,t 6= 0)

La principal consideracin para el diseo del estimador es asumir que:
Las perturbaciones ( y,t ) durante el proceso de medicin de oxgeno disuelto
el medio de cultivo estn disponibles en lnea con Ct . Con Ct definida como
Cm,t = Ct + y,t (4.141)
Entonces el kL at puede ser estimado con
d b h i
Ct = kd
L at [C Cm,t ] OU Rt + C1 [C Cm,t ] Cm,t Ct
b (4.142)
dt
dd h i
bt
kL at = C2 [C Cm,t ] Cm,t C (4.143)
dt
Donde C bt y kdL at son estimados de Ct y kL at y C1 y C2 son dos constantes
positivas (C1 > 0, C2 > 0).
los errores se definen de igual forma que (4.125) y (4.126), y el siguiente
sistema del error puede ser deducido de (4.141), (4.142), (4.48):
d
x (t) = [C Ct ] Ax(t) + B(t)u(t) (4.144)
dt
con h iT
x (t) = C et kg a
L t (4.145)

C1 1
A= (4.146)
C2 0

kL at C1 [C Cm,t ] 0
B(t) = (4.147)
C2 [C Cm,t ] 1
" #
y,t
u(t) = (4.148)
kL at
La demostracin matemtica del sistema (4.144) se muestra en el apndice 2.
Para probar la estabilida de los algoritmos (4.138) y (4.144) se utilizo el
concepto de estabilidad de Lyapunov.
4.11. ESTIMADOR 2: COEFCIENTE VOLUMTRICO DE TRANSFERENCIA DE MASA, KL AT .65
4.11.1. Prueba de estabilidad del estimador de kL at

La prueba de estabilidad para el estimador de kL at se presenta a con-
tinuacin. Para una mejor comprensin de la metodologa utilizada para la
demostracin de la estabilidad del estimador propuesto, en el apndice 9 se pre-
senta la teora de Lyapunov especificamente cuando se trabaja sobre sistemas
autnomos.
Para probar la estabilidada del sistema
d
x (t) = [C Ct ] Ax (t) + B (t) u (t) (4.149)
dt
se consider que el sistema es autnomo, es decir, en (4.149) u (t) = 0,entonces
el sistema (4.149) tiene la forma siguiente
d
x (t) = [C Ct ] Ax (t)
dt

x (t) = [C Ct ] Ax (t) (4.150)

x (t) = Ax (t)
con = [C Ct ] y aplicamos el criterio de Lyapunov para la funcin V [x]

candidata definida como una funcin cuadratica de la forma:
T
V [x] = x (t) P x (t) (4.151)
h iT
donde x = Cet kg L at , es decir, la dinmica del error del estimador.
Probando la funcin candidata descrita por (4.151)
T
V [x (t)] = x P x + xT (t) P x (4.152)
T T
= x (t) (t) P x (t) + x (t) P x (t)
= [Ax (t)]T P x (t) + x (t)T P Ax (t)
= [(A) x (t)]T P x (t) + x (t)T P Ax (t)
T
= x (t) AT P + P A x (t)
= x (t)T Qx (t)
con
AT P + P A = Q
Nota: la sulucin de AT P + P A = Q se presenta en el apndice 7
con positiva ( > 0) ; = [C Ct ] entonces

T
V [x] = [C Ct ] x (t) Qx (t) (4.153)
o " # " # " #

et
C e
C t e
C t
V g = [C Ct ] g AT P + P A g
kL at kL at kL at
Por tanto la funcin de Lyapunov candidata descrita por (4.151) cumple con las
propiedades:
V [x] > 0 (4.154)

V [x] < 0 (4.155)
y se conluye que el estimador de kL at propuesto (descrito por (4.136-137) es

asintticamente estable. Un procedimeto semejante de prueba para la estabi-
lidad del sistema descrito por (4.142-143) tambin cumple los las propiedades
descritas en (4.168-169). Adems, la estabilidad y la controlabilidad para bio-
rreactores en modo de operacin en lote, tambin se puede utilizar el criterio de
Lyapunov probar la estabilidad del sistema este se puede revisar en Srinivasan
y col. [58].
4.12. Solucin de los algoritmos
Los algoritmos utilizados en el diseo del estimador se resolvieron en la

plataforma de Simulink de MATLAB. Los bloques de simulacin para los algo-
ritmos fueron de la forma de esquemas de bloques como el que se muestran en
la Figura 4-8.
Figura 4-8: Diagrama en Simulink para simular t Exp

y kL aExp
t
4.12. SOLUCIN DE LOS ALGORITMOS 67
En cada subsistema se almacena la informacin de diseo para cada op-

eracin requerida de la estructura de los algoritmos utilizados.
Captulo 5
Resultados y Discusin
5.1. Introduccin
En este captulo se presentan los resultados y la discusin obtenidos des-
pus de haber aplicado el software sensor desarrollado a datos experimentales.
El diseo del software sensor se realiz por medio de la combinacin de al-
goritmos matemticos (sistemas no lineales): Redes Neuronales Diferenciales
(RND) identificador y observador de estados basados en RND, estimadores no
lineales para la velocidad especfica de crecimiento, t , y para el coeficiente
volumtrico de transferencia de masa, kL at . Los datos experimentales utiliza-
dos, fueron obtenidos de cultivos aerobios para Saccharomices cerevisiae y Azo-
tovacter vinelandii en sistemas de cultivos reactor lote alimentado y lote respec-
tivamente.
El captulo esta organizado como sigue: los algoritmos utilizados para estimar
el parmetro kL at fueron validados primero para los cultivos en reactor lote
alimentado (corridas experimentales identificadas como CDA, CDA-1 y CDA-
2), posteriormente la validacin se realiz para el cultivo en reactor lote (corrida
experimental identificada como CDA-IBT).
Los algoritmos (estimadores y la RND) se disearon en su estrctura para
su mejor desempeo, a travs de un proceso de seleccin de valores en sus
parmetros, es decir, para cada diseo en los parmetros es una nueva seleccin
de valores de estos y no se refiere a un cambio en la estructura de los algoritmos.
5.2. Datos experimentales: Base de datos

En la Tabla 5.1 se resumen las corridas experimentales que se utilizaron para
estimar el kL at .
Tabla 5.1: Datos experimentales (Base de datos) de estados disponibles.
69
70 CAPTULO 5. RESULTADOS Y DISCUSIN
Fermentacin Estados Experimentales Reactor

CDA, CDA-1, CDA-2 XtExp , StExp , VtExp , CtExp Fed-batch
CDA-IBT XtExp , StExp , VtExp , CtExp , OT RtExp , OU RtExp Batch
La base de datos experimentales de la Tabla 5.1 se integr por datos ex-

perimentales para cultivos sumergidos; proporcionados por los doctores Juan S.
Aranda Barradas (IPN-UPIBI) y Carlos Pea Malacara (IBT-UNAM), las
corridas experimentales CDA, CDA-1 y CDA-2 y corrida experimental CDA-
IBT respectivamente. Para cada tipo de cultivo se dispuso de datos obtenidos
fuera de lnea (XtExp y StExp obtenidos experimentalmente) y datos obtenidos en
lnea (CtExp , OT RtExp , OU RtExp medidos en lnea nicamente para la corrida
CDA-IBT).
Nota: En adelante en este captulo todos estados XtExp , StExp y VtExp se
refieren a datos que fueron obtenidos durante el proceso de experimentacin
fuera de lnea o o line y los estados experimentales CtExp , OT RtExp , OU RtExp
obtenidos en lnea o on line.
Estos estados fueron identificados sper ndice Exp para indicar que son datos
experimentales.
Las caractersticas para cada fermentacin se presentan en las siguientes
tablas:
1. Condiciones iniciales de los cultivos (Tabla 5.2).
Tabla 5.2: Condiciones iniciales de los cultivos

Estado
t= 0 CDA CDA-1 CDA-2 CDA-IBT
Xt gL1 0,36876 0,35164 0,44828 0,5
St gL1 10 11,4 10,3 20,07
Vt gL1 6 6 6 3
2 Condiciones finales de los cultivos en reactor lote para S. cerevisiae y A.

vinelandii ( Tabla 5.3)
Tabla 5.3: Condiciones finales de los cultivos: reactor lote

Estado CDA CDA-1 CDA-2 CDA-IBT
t = 10 h 6h 11 h 63 h
Xt gL1 4,5182 3,1943 2,1108 4,17
St gL1 0,141 0,179 0,011 4,9365
Vt (L) 6,9661 6,5953 6,011 3
3 Condiciones fianles de los cultivos reactor lote alimentado para S. cere-

visiae (Tabla 5.4).
Tabla 5.4: Condiciones finales de los cultivos: reactor lote alimentado

Estado CDA CDA-1 CDA-2
t = 26 h 24 h 27 h
Xt gL1 14,263 13,457 9,5947
St gL1 0 0,024 0,54
Vt (L) 13,324 12,816 12,501
5.3. APLICACIN DEL SOFTWARE SENSOR A DATOS EXPERIMENTALES71
En la Tabla 5.5 se presenta la descripcin de estados y parmetros que se

usaron para reportar los resultados en este trabajo
Tabla 5.5. Marcadores para la evolucin de estados y parmetros en las figuras

Descripcin
Parmetros
Velocidad especfica de crecimiento experimental Exp
t
Velocidad especfica de crecimiento experimental estimada bExp
t y1
Coeficiente volumtrico de transferencia de masa experimenta kL aExp
t y2
Obs
Coeficiente volumtrico de transferencia de masa estimado d
kL a y3
t
Estados
Biomasa experimental XtExp y4
Biomasa experimental estimada btExp
X y5
Biomasa experimental observada XtObs y6
Biomasa experimental observada estimada btObs
X y7
5.2.1. Coeficientes de rendimiento de masa

Los coeficientes de rendimiento se asume que son independientes del tiempo,
en se reportan valores tpicos de estos coeficientes. En la Tabla 5.6. se muestran
valores para coeficientes de rendimiento para masa y energa.
Tipo de coeficiente de rendimiento Dimensin Valor

Cmol
Y X Metabolismo aerobio Cmol 0.4-0.7
S
Cmol
Y X Metabolismo anaerobio Cmol 0.1-0.2
S
Cmol
Y X (Glucosa) mol 1-2
O2
KJ
YQ mol 0.35
O2
5.3. Aplicacin del software sensor a datos ex-

perimentales
Los algoritmos matemticos diseados en el captulo 4: Identificador de es-
tados (RND), observador de estados o Neuro-Observador (NOD), estimador
para la velocidad especfica de crecimiento, t , y el estimador para el coe-
ficiente volumtrico de transferencia de masa, kL at , fueron utilizados para di-
sear el software sensor y, los algoritmosque se aplic a cada una de las corridas
experimentales de acuerdo al siguiente esquema de trabajo.
Nota: En el diseo del estimador (software sensor) los diferentes algoritmos
matemticos evolucionan en el tiempo de forma acoplada, sin embargo, para
facilitar el entendimiento en la estructura del software sensor en este trabajo,
a continuacin se especfica la estrategia de trabajo desarrollada al aplicar el
estimador a los datos experimentales.
1. Identificacin de los datos experimentales con la RND: Los estados expe-

rimentales fueron identificados con la RND descrita por (4.14). El ob-
jetivo principal al identificar los estados fue establecer los valores de las

matrices W 1 y W 2 para la ley de aprendizaje en la estructura de la ley de
aprendizaje del NOD.
2. Observacin de los estados que no pueden ser medidos en lnea (biomasa,

Xt , y substrato, St , principalmente) se estimaron utilizando el NOD: A
partir de la evolucin del oxgeno disuelto en el medio de cultivo, CtExp ,
(estado disponible en lnea) se observaron el resto de los estados (XtObs ,
StObs , VtObs , CtObs ) del sistema, utilizando el NOD descrito por (4.27). En
adelante los estados observados con el NOD son identificados con el sper
ndice Obs.
3. Estimacin de la velocidad especfica de crecimiento experimental, bExp

t :
Esta se estim al aplicar el algoritmo de estimacin descrito por (4.87-88)
utilizando los datos experimentales para biomasa, XtExp . La evolucin de
bExp
t se tomo como la seal de referencia o set point durante el proceso
de estimacin de bObs
t .
4. Estimacin del coeficiente volumtrico de transferncia de oxgeno aparente

o experimental, kL aExp
t : Esta evolucin se calcul para las fermentaciones
para S. cerevisiae, donde se asumi un estado seudo - estable. La dinmica
de kL aExp
t se tomo como referencia o set point durante el proceso de
Obs
validacin del algoritmo de estimacin para estimacin de kd L at descrito
por (4.123) y (4.124). Para el cultivo de A. vinelandii no se requiri estimar
el kL aExp
t debido a que se dispuso de OT RtExp y OU RtExp para toda la
evolucin del cultivo.
bObs
5. Estimacin de la velocidad especfica de crecimiento observada, t : Esta
velocidad se estim al aplicar algoritmo de estimacin descrito por (4.87)
y (4.88) y utilizando la biomasa observada, XtObs .
obs
6. Estimacin del coeficiente volumtrico de transferencia de masa, kd L at :
obs
El parmetro kd
La se estim utilizando el algoritmo descrito por (4.123)
t
bObs
y (4.124) utilizado t y XtObs .
La interaccin de los pasos 1 a 6 se puede visualizar en la Figura 4-2
5.4. Diseo de la red neuronal diferencial

En el proceso de seguimiento de trayectoria de los estados experimentales
(identificacin de estados) para cada una de las corridas experiemntales de fer-
mentacin, la RND fue diseada en sus parmetros por medio de un proce-
dimiento de ensayo y error. El diseo de los parmetros ptimo fue el siguiente.
5.5. DISEO DE LOS PARMETROS DEL NEURO-OBSERVADOR DIFERENCIAL73
Para la RND como identificador despus del proceso de entrenamiento se

propuso la matriz A

10,2 0 0 0
0 82 0 0
A=
0
o A = diag 10,2 82 168 92,3
0 168 0
0 0 0 92,3
Dado que los pesos de la red neuronal, son ajustados mediante dos ecuaciones
diferenciales, es muy importante establecer de manera adecuada sus compo-
nentes. Como se ha mencinado previamente, la adaptacin de la red se ve al-
tamente influenciada por la seleccin correcta de la solucin de la ecuacin de
Reccati (4.15)
Y con los valores anteriores se resolvi la ecuacin de Ricatti (4.15)

P = diag 24 32 65 53
Para las funciones sigmoidales (4.11) y (4.12) se muestran en la Tabla 5.5
Tabla 5.5 Parmetros en las funciones sigmoides en la RND

Fermentacin (x) (x)
2 2
CDA, CDA-1,CDA-IBT 1+e0,2x 0,5 1+e0,2x 0,5
2 2
CDA-2 1+e0,2x 0,5 1+e0,2x 0,05
As mismo el proceso de adaptacin de la red depende de la eleccin de las

constantes K1 y K2 y de las condiciones iniciales bajo las cuales se establecer
la solucin nmerica de estas descripciones matemticas. Las matrices iniciales
seleccionadas fueron las siguientes:
Las condiciones iniciales en la ley de aprendizaje descrita por (4.16-17).

4,54 5,34 5,40 2,50 4,54 5,34 1,40 2,50
5,60 2,34 4,34 3,50 5,60 2,34 4,34 3,50
W1,t=0 =
3,40
W =
5,40 4,50 4,60 2,t=0 3,40 5,40 4,50 4,60
2,30 4,60 5,50 2,80 2,30 4,60 1,50 2,80
Las ganancias K1 y K2 fueron las siguientes

K1 = diag 300 300 300 300 , K2 = diag 276 276 276 276
5.5. Diseo de los parmetros del neuro-observador

diferencial
Para el procedimiento de observacin de los estados en cada fermentacin
los parmetros utilizados en el NOD fueron los siguientes:
Para la matriz A:
Tabla 5.6 Matriz A en el NOD

Fermentacin A
CDA, CDA-1, CDA-2, CDA-IBT diag 10,2 82 168 92,3
Las funciones sigmoidales definidas por (4.11) y (4.12) para el NOD
Tabla 5.7 Parmetros en las funciones sigmoidales en el NOD

Fermentacin (x) (x)
2 2
CDA, CDA-1, CDA-2 1+e0,2x 0,5 1+e 0,2x 0,15
2 2
CDA-IBT 1+e0,2x 0,45 1+e 0,2x 0,15
Las condiciones iniciales en la ley de aprendizaje definida por (4.28) y(4.29)

y los valores de las ganancias K1 y K2 fueron las siguientes:

1,3 3,4 4,5 4,5
3,5 4,5 2,8 5,6
W1,t=0 = W2,t=0 =
2,8

3,7 1,5 5,6
2,8 3,7 1,5 5,6

K1 = diag 0,1 0,1 0,1 0,1 , K2 = diag 1,6 1,6 1,6 1,6
5.6. Corrida experimental CDA: Reactor lote

alimentado (S. cerevisiae)
En esta corrida se presentan los resultados obtenidos, cuando se aplicaron los
diferentes algoritmos matemticos a los datos experimentales. Los algoritmos en
conjunto definen la estructura del software sensor diseado. La evolucin de los
algoritmos en conjunto fueron utilizados para estimar el coeficiente volumtrico
obs
de transferencia de masa. El parmetro estimado fue identificado como kd L at
para la corrida experimental CDA y para el resto de las corridas experimentales.
Es importante mencionar que la aplicacin de cada algoritmo sobre los datos
experimentales puede ser considerada como redundante, sin embargo, se realiz
con nico propsito de apreciar el desempeo de cada algoritmo en el proceso
de estimacin del parmetro para cada etapa del proceso.
5.6.1. Estados experimentales

La primera corrida experimental utilizada para probar el desempeo de los
estimadores (software sensor ) fue la corrida CDA. La evolucin de los estados
experimentales (biomasa, substrato y volumen experimenta, XtExp , StExp y VtExp
respectivamente) se muestran en la Figura 5-1, donde se aprecian los dos tipos
reactores (reactor lote y lote alimentado) en la evolucin completa de los estados.
5.6. CORRIDA EXPERIMENTAL CDA: REACTOR LOTE ALIMENTADO (S. CEREVISIAE)75
20
Reactor: Lote Reactor: Lote alimentado
18 CDA
16
14
X, S [g*L-1], V [L]
12
10
8 X-Exp
6 S-Exp
4 V-Exp
0
0 8 10 15 20 25 30
Tiempo [h]
Figura 5-1: Evolucin de los datos experimentales CDA.
5.6.2. Dinmica de alimentacin al biorreactor

La caracterstica ms importante para un cultivo en modo reactor lote ali-
mentado es la dinmica del flujo de alimentacin al biorreactor. El flujo de a-
limentacin al biorreactor se muestra en la Figura 5-2.
1.4
CDA
1.2
0.8
F(t) [Lh-1]
F(t)
0.6
0.4
0.2
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-2: Dinmica del flujo de alimentacin en el biorreactor para CDA

La dinmica del flujo de alimentacin , Ft Lh1 , fue de forma pulsante al
biorreactor; esto se aprecia en la Figura 5-2 y se inicio en t = 8 h. En este cultivo
la dinmica de la velocidad especficamente de crecimiento, t , en el cultivo fue
una funcin de Ft , es decir, t = f (Ft ). Este hecho es muy importante debido
a que el proceso de biotransformacin fue controlado evitando la acumulacin
de glucosa en el biorreactor y causar altas concentraciones de substrato, que
inhiben las enzimas responsables del metabolismo respiratorio de la levadura.
5.6.3. Estimacin de los parmetros experimentales o teri-

bExp
cos t y kL aExp
t
Utilizando los datos experimentales se estim y calcul la velocidad especfica

de crecimiento experimental, bExp
t , y el coeficiente volumtrico de transferencia
de masa experimental ,kL aExp
t , respectivamente los resultados se muestran a
continuacin.
Estimacin de la Velocidad especfica de crecimiento experimental

bExp
estimada, t y el coeficiente volumtrico de transferencia de masa
experimenta, kL aExp
t
La velocidad especfica de crecimiento experimental estimada, bExp

t , se obtu-
vo al aplicar el estimador para la velocidad especifca de crecimiento algoritmo
descrito por (4.87) y (4.88) a los datos de biomasa experimental, XtExp . Las
condiciones iniciales en el estimador fueron Xbt=0 = 0,488 gL1 y bt=0 = 0,22
1
h . Es importante hacer notar que la biomasa es la primera variable del proce-
so, por tanto, determina la dinmica del proceso de cultivo [35]. Dicha estimacin
se derivo de la observacin del error XtExp X btExp . La consideracin ms im-
Exp
portante hecha para lograr la estimacin de bt , fue suponer que los datos de
Exp
Xt estaban disponibles en lnea, esto es, XtExp esta accesible durante todo
el cultivo. Esta condicin fue resuelta cuando se aplico el NOD a los estados
experimentales.
5.6.4. Diseo A de los parmetros C1 y C2

La estructura del estimador para bExp
t , algoritmo descrito por (4.87) y (4.88)
esta relacionada con los parmetros C1 y C2 , los cuales deben de ser diseados
para asegura la convergencia ms rpida del error a cero en el estimador. La
forma en que son diseados estos parmetros asegur el mejor desempeo del
estimador. Los parmetros C1 y C2 en el algoritmo descrito por (4.87) y (4.88)
fueron diseados de forma adecuada, de tal manera, que la observacin del
error XtExp X btExp sea muy cercana a cero, es decir, XtExp X btExp ' 0.
El procediemeinto para disear C1 y C2 se conoce como entonamiento del
estimador. El diseo de C1 y C2 (seleccin de sus eigenvalores) se realiz de
acuerdo a (4.91) y (4.93). En Perrier y col. [46], se menciona que el criterio
de diseo de C1 y C2 determina la velocidad de converegencia del error a cero
del estimador con un reducido sobre paso (overshoot), es decir, el objetivo es
rechazar el sobre paso en el proceso de estimacin de los parmetros. El diseo de
C1 y C2 se realiz con un incremento de 0,7 para C1 . Es importante mencionar
que el valor de incremento de C1 puede ser seleccionado libremente; la seleccin
puede depender del tipo y naturaleza de la aplicacin, de las variaciones en
el tiempo del parmetro estimado y de el ruido sobre los datos medidos. Los
resultados se muetran a continuacin.
Diseo: C1 = 0,007 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2 El primer diseo se

realizo para C1 = 0,007 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2 , la referencia utiliza-
da para decidir cuales fueron los valores ptimos en el diseo de los parmetros
C1 y C2 fue la observacin del error entre la biomasa experiemental y la biomasa
estimada, es decir, XtExp XbtExp .
5.6.5. btExp
Observacin del error XtExp X
La evolucin de los estados biomasa experimental, XtExp y biomasa estimada

b
XtExp
se muestra para este caso en la Figura 5-3.

16
CDA
x1 Biomasa estimada
14
x2 Biomasa experimental
12
10
x1, x2 [gL-1]
0
0 5 10 15 20 25 30
Tiempo [h]
btExp con C1 = 0,007 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2

Figura 5-3: CDA. Evolucin de XtExp X
La evolucin de X btExp con respecto a XtExp o x1 y x2 respectivamente se

muestra la Figura 5-3 claramente se observa el sobre paso de XbtExp comparado
Exp
con la evolucin de Xt . La variacin de Xbt
Exp
con respecto a XtExp se observ
determinando la norma del error de X bt
Exp
con respecto a XtExp .
5.6.6. btExp .
Norma del error de X
btExp ,
La norma del error para el estado de biomasa experimental estimada, X
se presenta en la Figura 5-4
2
1.8 CDA
1.6
Norma del error de x1 [gL-1]

1.4
1.2
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30
Tiempo [h]

Figura 5-4: CDA. Norma del error de X
5.6.7. Evolucin de la velocidad especfica de crecimiento

bExp
estimada, t .

1.2
CDA
1
y1 Velocidad especfica de crecimiento estaimada
0.8
0.6
y1 [h-1]
0.4
0.2
-0.2
-0.4
-0.6
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-5: CDA. Evolucin de Exp

t con C1 = 0,007 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2
5.6.8. Coeficiente volumtrico de transferencia de masa

teorco kL aExp
t .
En la seccin(4,6) del captulo 4 se justific que los cultivo de S. cerevisiae
se desarrollaron en estado seudo estable. La relacin utilizada para evaluar la
evolucin de kL aExp
t fue descrito por (4.54) con YO2 = 0,97 [59], kL aExp
t=0 = 0 y
C = 0,008 gL [59], Para los cultivo de S. cerevisiae el cutivo se control para
garantizar un 10 % de oxgeno disponible en el medio de cultivo , esto se logr
durante todo el cultivo aumentado la velocidad de agitacin en el biorreactor
(control en cascada). En la Figura 5-6 se muestra la evolucin del parmetro

kL aExp
t

2000
CDA
y2 Coeficiente volomtrico de transferencia de masa estimado
1500
1000
y2 [h-1]
500
-500
-1000
-1500
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-6: CDA. Evolucin de kL aExp

t con C1 = 0,007 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2
Como los valores de C1 y C2 para el Diseo A no fue suficiente para lo-

grar el mejor desempeo del estimador. Para encontrar un buen desempeo del
estimador se continuo diseando los parmetros C1 y C2 .
5.6.9. Diseo B los parmetros C1 y C2
Diseo: C1 = 0,07 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2
En este nuevo diseo de los parmetros C1 y C2 , el criterio que se tom para

decidir el mejor desempeo del estimador fue el mnimo error de XtExp X btExp .
5.6.10. btExp
En la Figura 5.7 se muestra un mejor desempeo del algoritmo de estimacin

comparado con el Diseo A, en t > 15 h la evolucin del estimador presenta
menor error en comparacin con t < 15 h.
16
CDA
14
X- (t) - Biomasa experimental
12 X(t)- Biomasa estimada
X(t) - Exp, X(t) - Est [gL-1]

10
0
0 5 10 15 20 25 30
Tiempo [h]
bt X
Figura 5-7: CDA. Norma del error de X btExp con C1 = 0,07 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2
5.6.11. btExp .
La norma del error para el estado de biomasa estimada se presenta en la
Figura 5-8, ntese que se conservan las misma escalas que tiene la Figura 5-4
del Diseo A.
2
1.8 CDA
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30
Tiempo [h]


bExp
estimada, t .
b (t) obtenida se muestra en la Figura 5-9.
La evolucin de

1.2
CDA
y1 Velocidad especifca de crecimiento estimada

0.8
y1 [h-1]
0.6
0.4
0.2
-0.2
0 5 10 15 20 25 30
Tiempo [h]
bExp
Figura 5-9: CDA. Evolucin de t con C1 = 0,07 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2

terico kL aExp
t .
800
700 CDA
y2 Coeficiente volumtrico de transferencia de masa estimado
600
500
400
y2 [h-1]
300
200
100
-100
0 5 10 15 20 25 30
Tiempo [h]

t con C1 = 0,07 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2
La evolucin de kL aExp
t se presenta en la Figura 5-10.
5.6.14. Seleccin final de los parmetros C1 y C2

Diseo C: C1 = 7,7 Lh1 g 1 y C2 = 14,8225 L2 h2 g 2
El mejor desempeo para el estimador para la velocidad especifica de crec-
imiento se obtuvo para los valores de C1 = 7,7 Lh1 g 1 y C2 = 14,8225
L2 h2 g 2 los resultados obtenidos se presentan a continuacin.
5.6.15. btExp
Como se observa en la Figura 5-11 prcticamente la evolucin de X btExp es
btExp ' 0, se utiliz un marcador para poder
casi igual a XtExp , es decir, XtExp X
distinguir la trayectoria de X bt .
Exp
16
CDA
14 x1 Biomasa estimada
12
10
x1, x2 [gL-1]
0
0 5 10 15 20 25 30
Tiempo [h]

Figura 5-11: CDA. Evolucin de XtExp X
5.6.16. btExp .
2
1.8 CDA
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30
Tiempo [h]

La grfica de la norma del error (Figura 5-12) muestra que el error del
estimador para la velocidad especfica de crecimiento experimental ,b
(t)Exp ,
converge rpidamente a cero durante las primeras horas, es decir, X(t)Exp
b ' 0, por lo tanto, el desempeo en la convergencia del estimador dependi

X(t)
del diseo apropiado de los parmetros C1 y C2 .

bExp
estimada, t .
La evolucin de bExp
t se muestra en la Figura 5-13, este comportamiento de
bExp
t se tom como referencia (set point), en la seccin donde se muestran los
resultados del desempeo del estimador para kL at . Adems, esta dinmica fue
una funcin del flujo de alimentacin, Ft .
1
0.9 CDA
0.8
0.7 y1 Velocidad especifca de crecimiento estimada
0.6
y1 [h-1]
0.5
0.4
0.3
0.2
0.1
0 5 10 15 20 25 30
Tiempo [h]
bExp

terico kL aExp
t .
Finalmente con la dinmica de bExp

t obtenida fue utilizada para calcular la
Exp
evolucin de kL at la cual se muestra en la Figura 5.14. De igual manera,
tambin se consider como la dinmica de referencia (set point) del parmetro
kL aExp
t . El comportamiento dinmico de kL aExp
t est relacionado con la dinmi-
ca del sistema de agitacin en el biorreactor.
500
450
CDA y2 Coeficiente volumtrico de transferencia de masa estimado
400
350
300
y2 [h-1]
250
200
150
100
50
0
0 5 10 15 20 25 30
Tiempo [h]

t conC1 = 7,7 Lh1 g 1 y C2 = 14,8225 L2 h2 g 2
Con respecto a la norma del error para la biomasa estimada no presentaron
cambios significativos al continuar incrementado los valores en el proceso de
diseo de los parmetros C1 y C2 , por ejemplo para C1 = 9,8 Lh1 g 1 y C2 =
24,01 L2 h2 g 2 , la norma del error para la biomasa estimada se muestra en
la Figura 5-15. La observacin del error , XtExp X btExp , esta en t > 5 h con
Exp
valores entre 0 y 0,02 gL1 con respecto a Xt . Por tanto, al no presentarse un
desempeo significativo en XtExp X btExp para nuevos diseos de los parmetros
C1 y C2 , se consider que el mejor desempeo del estimador de bExp
t en base
a los resultados obtenidos para C1 = 7,7 Lh g y C2 = 14,8225 L2 h2 g 2 .
1 1

0.12
CDA
0.1
Norma del error de X(t)-Est
0.08
0.06
0.04
0.02
0
0 5 10 15 20 25 30
Tiempo [h]

Con los resultados anteriores (las seales de referencia bExp
t y kL aExp
t ),
se continuo con la observacin de los estados experimentales previa identificacin
(seguimiento de trayectoria) de los mismos.
5.6.19. Estimacin de estados experimentales

Una necesidad importante en la estructura del algoritmo diseado para es-
timar el parmetro kL at , descrito por (4.136-137) fue que se requera disponer
en lnea de la evolucin de la velocidad especfica de crecimiento del cultivo, t
, y la concentracin de biomasa, Xt . Para poder estimar en lnea t , primero se
requiri de disponer tambin en lnea del estado Xt . Esta situacin quedo re-
suelta al utilizar NOD el cual permiti construir toda la dinmica del proceso de
fermentacin, es decir, los estados experimentales fueron observados, por tanto
estuvieron disponibles en lnea con lo cual se logro estimar t y posteriormente
el parmetro kL at , a partir de los datos observados por NOD. A continuacin
se muestran estos resultados.
5.6.20. Identificacin de estados experimentales

Este procedimiento (adaptacin del identificador basado en RND) fue im-
portante, ya que permiti establecer el diseo de los parmetros para el NOD.
Para garantizar la convergencia del error de estimacin cercana a cero, el pro-
ceso de entrenamiento para CDA con RND se llevo acabo con la finalidad

de obtener los parmetros libres del NOD (A, K1 , K2 ) y las matrices W 1 y
W 2 . La dinmica de los estados fue obtenida usando CDA con las condiciones
iniciales del cultivo, cuando se obtuvo un mal desempeo en la convergencia
del error, un nuevo arreglo de las matrices propuestas empricamente fue nece-
sario en la prxima vez y as sucesivamente. Entonces cuando se logr la mejor
convergencia del error, entonces la RND emula la dinmica del cultivo.
16
14 CDA
12
X(t)-Exp
Estados Experimentales
10 S(t)-Exp
O(t)-Exp
8 V(t)-Exp
X(t)-Red
6 S(t)-Red
O(t)-Red
4 V(t)-Red
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-16: CDA. Estados identificados

En la Figura 5-16 se muestra la identificacin de los estados experimen-
tales con la RND. Este hecho sirvi para confirmar la correcta seleccin de los
parmetros de la RND. Para reproducir los estados experimentales, la ley de
aprendizaje descrita por (4.16-17) se ajust continuamente en el tiempo.
5.6.21. Dinmica de la ley de aprendizaje

La dinmica de la evolucin de los pesos W1,t y W2,t se muestra en las
Figuras 5-16 y 5-17 y su dinmica es resultado del ajuste continuo de las leyes
de aprendizaje descritas en (4.16-17) durante todo el proceso de identificacin.
450
400 CDA
350
300
Magnitude de los pesos
250
200
150
100
50
-50
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-17: CDA. Evolucin de W1,t identificacin de estados
La evolucin de los pesos en W1,t (Figura 5-17) corresponde en la estructura

de la RND como identificador, a la matriz de pesos de la capa de estados de
retroalimentacin. Y la evolucin de los pesos en W2,t (Figura 5-18) es la matriz
de pesos de la capa de entrada.
6.5
6 CDA
5.5
5
Magnitud de los pesos
4.5
3.5
2.5
1.5
1
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-18: CDA. Evolucin de W2,t identificacin de estados
La dinmica de los pesos W1,t y W2,t convergen a sus mejores valores, este
hecho se observa en la Figura 5-18 para W2,t , es decir, la red se ajusto a sus
mejores valores. Por otro lado la evolucin de W1,t se ajusta a sus mejores
valores tambin, slo que la dinmica de W1,t se reajusta en el tiempo, como se
puede ver en la Figura 5-17, para el rector lote W1,t se ajusta encontrando el
mejor valor, pero cuando el cultivo pasa de un rector lote a lote alimentado, el
sistema es perturbado y la dinmica misma del cultivo obliga a que W1,t se este
reajustando durante todo el cultivo.
Despus de entonar la RND descrita por (4.14), la dinmica final de la ley
de aprendizaje descrita por (4.16-17) entrego los siguientes resultados para W1,t
y W2,t :
1. Condiciones finales en W1,t

36,7 41,16 0,22825 314,3
31,93 24,13 0,04275 250,8
W1,t =
18,99 12,41
(5.1)
2,229 135,4
43,17 29 0,8454 376,8
2. Condiciones finales en W2,t

4,569 5,557 3,397 2,587
5,364 2,36 5,395 4,826
W2,t =
1,413 4,347 4,498 1,62 (5.2)
2,537 3,523 4,545 3,144
Las matrices de pesos finales (5.1) y (5.2) son para la mejor convergencia del
error en el proceso de entrenamiento de la RND, fueron las utilizadas en la ley

de aprendizaje del NOD descrita por (4.28-29) como W 1 y W 2 ,lo anterior se
define como

W 1 := W1,t (5.3)

W 2 := W2,t (5.4)

Los valores de las matrices W 1 y W 2 se utilizaron en la estructura de la ley de
aprendizaje
5.6.22. Observacin de estados experimentales

Los estados no disponibles para ser medidos en lnea Xt y St , fueron obser-
vados con el NOD descrita por la nica informacin accesible en lnea que fue
la concentracin de oxgeno disuelto en el medio de cultivo, Ct , es decir, a partir
de Ct se reconstruye toda la informacin del sistema. La evolucin de los pesos
en la ley de aprendizaje descrita por (4.28-29) se muestra en las Figuras 5.19 y
5.20.
450
400 CDA
350
300

250
200
150
100
50
-50
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-19: CDA. Evolucin de W1,t observador de estados

10
CDA
8
6
-2
-4
0 5 10 15 20 25 30
Tiempo [h]
Figura 5.20: CDA. Evolucin de W2,t observador de estados
En la estructura del NOD se consider que el nico estado disponible en

lnea fue la concentracin de oxgeno disuelto, Ct , en el medio de cultivo; y partir
de Ct se reconstruye toda la informacin del sistema. Los resultados obtenidos
se muestran a continuacin.
5.6.23. Biomasa observada, XtObs .

Los resultados para la observacin de la biomasa , XtObs , utilizando el NOD
se compararon con los datos experimentales de biomasa, XtExp , esto se mues-
tra en la Figura 5-21. Esta evolucin de XtObs corresponde al mejor desempeo
logrado con el NOD. Es importante seal que el mejor desempeo del obser-
vador garantiza un menor error entre la biomasa experimental y la observada,
XtExp XtObs .El resto de la observacin de los estados se muestra en la Figura

5-22 , 5-23 y 5-24.
16
CDA
14
12 X(t)- Experimental
X(t)- Neuro-observador
10
Biomasa [g*L-1]
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-21: CDA: Biomasa observada, XtObs
5.6.24. Substrato observado, StObs
16
CDA
14
12 S(t) - Experimental
S(t) - Neuro-observador
10
Substrato [g*L-1]
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-22. CDA: Substrato observado, StObs .

5.6.25. Oxgeno observado, CtObs

-3
x 10
2
1.8 CDA
1.6
C(t)- Referencia (set point)
1.4
C(t)- Neuro-observador
Oxgeno [g*L-1]
1.2
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30
Tiempo [h]
Figura 5.23: CDA. Oxgeno observado, CtObs
5.6.26. Volumen observado, VtObs
16
CDA
14
V(t)- Experimental
12 V(t)- Neuro-observador
Volumen [L]
10
4
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-24: CDA. volumen observado, VtObs
Esta reconstruccin de los estados (observacin de estados) utilizando el

NOD, fue una tarea clave en el proceso de estimacin de los parmetros t y
obs
bObs
kL at , es decir, t y kd
L at , particularmente la observacin de biomasa fue
importante en los algoritmos de estimacin. Por un lado para la estimacin de
t se requri de Xt y por otro lado, en la estimacin del parmetro kL at requiri
de t como se ver ms adelante. Entoces, aplicando el NOD todos los estados
fueron accesibles en lnea. Para este trabajo, de los cuatro estados la biomasa
(Figura 5-21), XtObs , fueron clave en el diseo de los estimadores y como se vera
cuando se utilizarn los estimadores para cada fermentacin. Un menor error

entre el estado experimental y observado para biomasa (XtExp XtObs ) permiti
un mejor desempeo de los estimadores.
5.6.27. Estimacin del coeficiente volumtrico de trans-

obs
ferencia de masa kd
L at
obs
El coeficiente volumtrico de transferencia de masa, kd L at , se estim uti-
lizando el algoritmo descrito por (4.136-137) y se valid con la evolucin de
kL aExp
t , ya que esta evolucin fue considerada como la seal de referencia. El
obs
procedimiento que se utiliz para estimar el kd
La tse describe a continuacin:
1. Estimacin de la velocidad especfica de crecimiento observada,

bObs
t . En la estructura del algoritmo (4.136) y (4.137) fue necesario dispo-
ner de t , que para este caso se identific para todos los casos como bObs
t ,
esto fue posible debido a que la biomasa fue reconstruida por el NOD
y bObs
t se obtuvo utilizando el algoritmo de Dochain (4.87-88) mediante
observacin del error de XtObs X btObs , es decir la mejor convergencia del
Obs
error Xt Xt b Obs
a cero.
2. Estimacin del coeficiente volumtrico de transferencia de masa

observado. Se estim el coeficiente volumtrico de transferencia de masa,
obs
kd
L at utilizando el algoritmo (4.136-137) observando la convergencia del
btObs , los resultados se muestran a continuacin.
error a cero entre CtObs C
5.6.28. bObs
Velocidad especfica de crecimiento, t .
El procedimiento realizado para estimar bObs

t fue semejante al que se realizo
para estimar bExp
t , solo que para este paso se minimiza btObs ,
el error de XtObs X
Obs
es decir, se utilizo el estado de biomasa observado,Xt , por el NOD.
5.6.29. Diseo de los parmetros C1 y C2 : Diseo A

Los parmetros de diseo C1 y C2 del sistema fueron seleccionados hasta
bObs
lograr el mejor desempeo del estimador de t .
Diseo A: C1 = 0,7 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2

Los resultados obtenidos para este diseo de los parmetros C1 y C2 se
presentan en el siguiente orden: evolucin de bObs
t bExp
contra t (esta ltima se
tomo como referencia o set point durante el proceso de estimacin), la norma
btObs ,es decir, XtObs contra X
del error de X btObs . Es importante mencionar que el
estado estimado X bt fue obtenido con el NOD a partir de la observacin del
Obs
error XtObs XbtObs .

En la Figura 5-25 se compara la evolucin de bObs

t bExp
contra t . La obser-
Obs
vacin del error Xt X bt
Obs
se muestra en la Figura 5-26.
0.7
0.6
y1 Velocidad especifca de crecimiento Estimada
y2 Velocidad especifca de crecimiento Experimental

0.5
0.4
y1, y2 [h-1]
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Tiempo [h]
bObs
16
14
x1 Biomasa estimada
12 x2 Biomasa estimada RND
10
x1, x2 [gL-1]
0
0 5 10 15 20 25 30
Tiempo [h]
btObs con C1 = 0,7 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2

Figura 5-26: CDA. Evolucin de X

0.3 CDA
0.25
Norma del error [gL-1] 0.2
0.15
0.1
0.05
0
0 5 10 15 20 25 30
Tiempo [h]
btObs con C1 = 0,7 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2

La evolucin de la norma del error de X btObs se muestra en la Figura 5-27.

Los resultados anteriores no fueron suficientes en lo referente con el desempeo
del estimador (la convergencia del error de estimacin cercano a cero) de bObs
t ,
para lo cual se disearon nuevos valores de los parmetros C1 y C2 de acuerdo
a la Tabla 5.1.
Tabla 5.1: Diseo de C1 y C2

Diseo C1 Lh1 g 1 C2 L2 h2 g 2 Figura
B 1.4 0.49 5-28
C 2.1 1.1025 5-29
D 2.8 1.96 5-30
E 3.5 3.0625 5-31
F 4.2 4.41 5-32
bObs
Los resultados obtenidos para el estimador de t con respecto a los valores
de C1 y C2 para cada diseo en la Tabla 5.1, se presentan a continuacin.
5.6.30. Diseo de los parmetros C1 y C2 : Diseo B
Diseo B: C1 = 1,4 Lh1 g 1 y C2 = 0,49 L2 h2 g 2
0.7
0.6
y2 Velocidad especifca de crecimiento experimental
0.5
0.4
y1, y2 [h-1]
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Tiempo [h]
bObs
5.6.31. Diseo de los parmetros C1 y C2 : Diseo C
Diseo C: C1 = 2,1 Lh1 g 1 y C2 = 1,1025 L2 h2 g 2
0.7
0.6

0.5
0.4
y1, y2 [h-1]
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Tiempo [h]
bObs
Figura 5-29: CDA. Evolucin de t con C1 = 2,1 h1 y C2 = 1,1025 g 2 L2 h1
5.6.32. Diseo de los parmetros C1 y C2 : Diseo D
Diseo D: C1 = 2,8 Lh1 g 1 y C2 = 1,96 L2 h2 g 2
0.7
0.6
y2 Velocidad especifica de crecimiento experimental

0.5
0.4
y1, y2 [h-1]
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Tiempo [h]
bObs
5.6.33. Diseo de los parmetros C1 y C2 : Diseo E
Diseo E: C1 = 3,5 Lh1 g 1 y C2 = 3,0625 L2 h2 g 2
0.7
0.6
y2 Velocidad especifca de crecimiento experiemental
0.5
0.4
y1, y2 [h-1]
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Tiempo [h]
bObs
5.6.34. Diseo de los parmetros C1 y C2 : Diseo F
Diseo F: C1 = 4,2 Lh1 g 1 y C2 = 4,41 L2 h2 g 2
0.7
0.6

0.5
y1, y2 [h-1] 0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Tiempo [h]
bObs
Figura 5-32: CDA. Evolucin de t con Diseo F: C1 = 4,2 Lh1 g 1 y C2 = 4,41 L2 h2 g 2
En la Figura 5-29 se observ el mejor desempeo del estimador (Diseo C)

con C1 = 2,1 Lh1 g 1 y C2 = 1,1025 L2 h2 g 2 , ya que para estos valores el
error promedio relativo absoluto para bObs
t bExp
contra t es el mnimo. El error
promedio relativo absoluto se calcul para cada diseo en los parmetros C1 y
C2 de la Tabla 5.1, este error se presenta en la Figura 5-33.
-3
x 10
6
5.5
5
Error
4.5
3.5
3
0.5 1 1.5 2.1 2.5 3 3.5 4 4.5
C1 [h-1]
Figura 5-33: CDA. Error relativo absoluto en el diseo de C1 y C2


obs
kd
L at
obs
Para estimar el coeficiente volumtrico de transferencia de masa, kdL at ,con
el algoritmo diseado y descrito por (4.136-37). La velocidad de convergencia del
estimador se logr mediante el diseo apropiado de los parmetros C1 y C2 , es
decir, el mejor desempeo del estimador se obtiene a travs del procedimiento de
entonamiento del estimador. C1 y C2 . Es importante mencionar que la dinmica
obs
de bObs que se utiliz para estimar el kd
t La , corresponde al mejor desempeo t
bObs
en el proceso de estimacin de t .
600

500
y4 Coeficiente volumtrico de transferencia de masa experimental
400
y3, y4 [h-1]
300
200
100
0
0 5 10 15 20 25 30
Tiempo [h]
obs
Figura 5-34: CDA. Evolucin de kd
L at para C1 = 100 Lh1 g 1 y C2 = 250 103 L2 h2 g 2
600

500 y4 Coeficiente volumtrico de transferencia de masa experimental
400
y3, y4 [h-1]
300
200
100
0
0 5 10 15 20 25 30
Tiempo [h]
obs
600

500 y4 Coeficiente volumtrico de transferenacia de masa experimental
400
y3, y4 [h-1]
300
200
100
0
0 5 10 15 20 25 30
Tiempo [h]
obs
600

500
y4 Coeficiente volumtrico de transferencia de masa experimental
400
y3, y4 [h-1]
300
200
100
0
0 5 10 15 20 25 30
Tiempo [h]
obs
5.7. CORRIDA EXPERIMENTAL CDA-1: REACTOR LOTE ALIMENTADO (S. CEREVICIAE)99
-3
x 10
9
8
Error Promedio Relativo Absoluto
3
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
C1 [Lg-1*h-1]
Figura 5-38: CDA. Error relativo absoluto en el diseo de C1 y C2
Los resultados obtenidos al comparar los valores para el error relativo ab-
soluto para los diferentes diseos de los parmetros C1 y C2 se muestran en la
Figura 5.38 se puede ver que el mejor diseo fue para C1 = 7000 Lh1 g 1 y
C2 = 12250 103 L2 h2 g 2 .
5.7. Corrida experimental CDA-1: Reactor lote

alimentado (S. cereviciae)
Para corrida experimental CDA-1 se aplic el sotfware sensor (algoritmos

de estimacin) y los resultados fueron los siguientes.
Los estados experimentales para la corrida CDA-1 del cultivo de Saccha-

romyces cereviciae en un reactor lote alimentado se muestran en la Figura 5-39.
16
Reactor: lote Reactor: lote alimentado
14 CDA-1
12
10
X, S [g*L-1], V [L]
8
X-Exp
6 S-Exp
V-Exp
4
0
0 5 10 15 20 25
Tiempo [h]
Figura 5-39: CDA-1.Evolucin de los datos experimentales
5.7.2. Identificacin de estados experimentales: XtExp , StExp ,

VtExp y CtSetpoint
Las condiciones iniciales de la RND descrita en (4.14) fueron:
T
bt=0 = 0,35164 11,3 0,0007 6
x
Los estados experimentales (biomasa, substrato, volumen y oxgeno) fueron

identificados con la RND como lo muestra la Figura 5.40.
16
14 CDA-1
Estados Experimentales e Idetificados por la Red
12
10
X(t)- Exp
8
S(t)- Exp
V(t)- Exp
6
C(t)- Setpoint
X(t)- Red
4
S(t)- Red
V(t) -Red
2
C(t)- Red
0 5 10 15 20 25
Tiempo [h]
Figura 5-40:CDA-1.Estados experimentales identificados con la RND

5.7.3. Evolucin de los pesos

La evolucin de las leyes de aprendizaje en la estructura de la RND, W1,t
y W2,t se muestran en las figuras 4-41 y 4-42
500
CDA-1
400
300
200
100
-100
0 5 10 15 20 25
Tiempo [h]
Figura 5-41:CDA-1. Evolucin de W1,t en el identificador

7
CDA-1
6
5
1
0 5 10 15 20 25
Tiempo [h]
Figura 5-42:CDA-1. Evolucin de W2,t en el identificador
5.7.4. Entrenamiento de la RND

Condiciones iniciales

4,54 5,34 5,40 2,50 4,54 5,34 1,40 2,50
5,60 2,34 4,34 3,50 5,60 2,34 4,34 3,50

W 1,t=0 = W 2,t=0
=
3,40 5,40 4,50 4,60 3,40 5,40 4,50 4,60
2,30 4,60 5,50 2,80 2,30 4,60 1,50 2,80
5.7.5. Flujo de alimentacin al biorreactor
La dinmica del flujo de alimentacin al biorreactor se muestra en la Figura

5.43.
CDA-1
0.5
F(t)
0.4
0.3
F(t) [Lh-1]
0.2
0.1
-0.1
0 5 10 15 20 25
Tiempo [h]
Figura 5-43:CDA-1.Danmica del fllujo de alimentacin en el biorreactor
La caracterstica ms importante para este cultivo (reactor lote alimentado)

es la dinmica de alimentacin de substrato al biorreactor. Ya que la velocidad
especfica de crecimiento es una funcin del flujo de alimentacin (F (t)) al
biorreactor. De acuerdo con Aranda, t = f (F (t)). Del balance de masa en
estado estable o seudo-estable para el substrato (si St 0 entonces dS
dt ' 0) se
t
encontr que la velocidad especfica de crecimiento es [60]:
Dt Sin YXS Ft Sin

t = = YXS Sin = Dt YXS (5.5)
Xt Vt Xt Xt
5.7.6. Velocidad especfica de crecimiento experimental
Para esta fermentacin se calcul la velocidad especfica de crecimiento con

los datos experimentales de biomasa, los resultados se muestran en la Figura
5.44.
0.5
Velocidad especfica de crecimiento experimental [g*L-1]

0.45 CDA-1
0.4
0.35 Velocidad especfica de crecimiento experimental
0.3
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25
Tiempo [h]
Figura 5-44:CDA-1. Evolucin de la velocidad especfica de crecimiento calculada
5.7.7. Estimacin de la velocidad especifca de crecimiento

experimental (Exp
t )
La velocidad especfica de crecimiento experimental, Exp
t , se estim obser-
vando el error XtExp Xbt . La dinmica de Exp
t se observa en la Figura 5.45.
Esta evolucin se tom como referencia para el resto de las estimaciones, es
decir, Exp
t se define como set point.
0.5
0.45 CDA-1
0.4
0.5
a)
0.35 0.4
0.3
0.3
y1 [h-1]
0.2
0.25
0.1
0.2 0
0 5 10 15 20 25
0.15
0.1
0.05
0 5 10 15 20 25
Tiempo [h]
bExp
Figura 5-45:CDA-1. Evolucin de t con C1 = 7,7 Lh1 g 1 y C2 = 14,8225 L2 h2 g 2
En la figura a) de la Figura 5.45 se muestra la evolucin de la velocidad

especfica de crecimiento calculada a partir de los datos experimentales y la
bExp
evolucin de la velocidad especfica de crecimiento experimental estimada t (
Exp
o y1), se observa una evolucin ms precisa para bt debido a que la estimacin
se realiz en lnea en comparacin con la primera donde slo se dispone de un
nmero limitado de datos.
5.7.8. btExp
bExp
La evolucin de t se logr minimizando el error de XtExp X btExp por
medio del diseo de los parmetros C1 y C2 en la estructura del estimador
btExp se muestra en la Figura 5.46.
(4.87-88). La observacin del error XtExp X
16
14 CDA-1
15 a)
12
10
10
x1, x2 [gL-1] 5
8
0
0 5 10 15 20 25
4
x1 Biomasa estimada
2
0
0 5 10 15 20 25
Tiempo [h]

Figura 5-46: CDA-1. Evolucin de X
La evolucin de la dinmica del error (biomasa experimental, XtExp con

respecto a la biomasa estimada, Xbt ) se muestra en la figura a) para una primera
aproximacin del estimador con C1 = 0,07 Lh1 g 1 y C2 = 0,1225 L2 h2 g 2 .
Finalmente en la figura principal se muestra el mejor desempeo del estimador
con C1 = 7,7 Lh1 g 1 y C2 = 14,8225 L2 h2 g 2 . En la Figura 5.47 se observa la
norma del error para la biomasa estimada para los dos diseos de los parmetros
C1 y C2 .
5.7.9. btExp .
CDA-1
1.5
a)
Norma del error de X(t) [gL-1]
1
0.1
0.5
0
0 5 10 15 20 25
0.05
0
0 5 10 15 20 25
Tiempo [h]

Figura 5-47:CDA-1. Norma del error de X
Que tan alejados estuvieron los valores de biomasa experimental estimada,

XbtExp , de los valores de biomasa XtExp al final de la estimacin de bExp
t se
muestran en la Figura 5.47 y como en el caso anterior una vez que se conoci
bExp
t se continu con el calcul del coeficiente volumtrico de transferencia de
oxgeno experimental.

de referencia, kL aExp
t .
La evolucin de kL aExp
t calculado se muestra en la Figura 5.48. La evolucin
de kL aExp
t en la etapa de reactor lote este incrementa con la edad del cultivo, y
por tanto por el aumento de la poblacin celular en el biorreactor. Durante el
cultivo en lote alimentado la dinmica de kL aExp
t esta relacionada directamente
con la dinmica del flujo de alimentacin al biorreactor. Finalmente la evolucin
de kL aExp
t tambin se consider como la dinmica de referencia para validar el
estimador para el coeficiente volumtrico de transferencia de masa.

350
CDA-1
300 y2 Coefciente volumtrico de transferencia de oxgeno
250
y2 [h-1]
200
150
100
50
0
0 5 10 15 20 25
Tiempo [h]
Figura 5-48: CDA-1.Evolucin de kL aExp

t
5.7.11. Observacin de estados experimentales.
Se utiliz el modelo del NOD para estimar los estados del proceso de fer-
mentacin. La evolucin de biomasa, substrato, oxgeno, y el volumen observa-
dos se muestran en las Figuras: 5-49, 5-50, 5-51 y 5- 52 respectivamente.
16
14 CDA-1
12
X(t) Experimental
x(t)-Neuro-observador
10
x1, x2 [gL-1]
8
0
0 5 10 15 20 25
Tiempo [h]
Figura 5-49: CDA-1:Biomasa observada, XtObs
16
14 CDA-1
S(t)- Experimental
12
S(t)- Neuro-observador
10
Substrato [g*L-1]
0 5 10 15 20 25
Tiempo [h]
Figura 5-50: CDA-1. Substrato observado, StObs

16
15
CDA-1
14
V(t)- Experimental
13 V(t)- Neuro-observador
12
Volumen [L]
11
10
5
0 5 10 15 20 25
Tiempo [h]
Figura 5-51: CDA-1. Volumen observado, VtObs
-3
x 10
5
4.5 CDA-1
C(t)- Setpoint
4 C(t)- Neuro-observador
3.5
Oxgeno [g*L-1]
2.5
1.5
0.5
0
0 5 10 15 20 25
Tiempo [h]
Figura 5-52: CDA-1. Oxgeno observado, CtObs
En las Figuras 5-53-54 se muestra la evolucin de los pesos de la ley de

aprendizaje de la red
500
CDA-1
400
300

200
100
-100
0 5 10 15 20 25
Tiempo [h]
Figura 5-53: CDA-1.Evolucin de W1,t observador de estados
12
10 CDA-1
8
-2
-4
0 5 10 15 20 25
Tiempo [h]
Figura 5-54: CDA-1.Evolucin de W2,t observador de estados
5.7.12. bObs
Velocidad especifica de crecimiento observada, t .
Despes de que se observ la biomasa con el NOD esta se utiliz para

Obs
estimar la velocidad especfica de crecimiento observada,b t , la evolucin de la
misma se presenta en la Figura 5-55.
0.5 Reactor: lote Reactor: lote alimentado
0.45 CD-1
0.4
0.35
0.3 y1 Velocidad especfica de crecimiento estimada

y1, y2 [h-1]
y2 Velocidad especfica de crecimiento experimental

0.25
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25
Tiempo [h]
bObs
Figura 5-55: CDA-1.Evolucin de t con C1 = 7,7 Lh1 g 1 y C2 = 14,8225 L2 h2 g 2

obs
kd
L at
obs
Se estim el coeficiente volumtrico de transferencia de masa, kd L at , se
bObs
utiliz la velocidad especfica observada, t , y la biomasa observada, XtObs el
obs
mejor desempeo del estimador de kd La se muestra en la Figura 5-56 donde t
obs
se puede ver que en t = 20 h se observ oscilacin de kdL at con respecto a la
dinmica de referencia, esto es fue una consecuencia de la misma variacin que
se present en la dinmica estimada de bObs
t tanbim en t = 20 h.
350
Reactor: lote Reactor:lote alimentado
CD-1
300
y3 Coeficiente volumtrico de transferencia de oxgeno estimado
y4 Coeficiente volumtrico de transferencia doxgeno experimental
250
y3, y4 [h-1]
200
150
100
50
5 6 10 15 20 25
Tiempo [h]
obs
Figura 5-56: CDA-1. Evolucin de kd
L at para C1 = 10 103 Lh1 g 1 y C2 = 25 108 . L2 h2 g 2
5.8. Corrida experimental CDA-2: Reactor lote

alimentado ( S. cerevisiae)
Esta fue la ltima fermentacin analizada para los cultivos de S. cerevisiae,

de igual forma que los cultivos CDA y CDA-1 el objetivo principal fue estimar
obs
kd
L at a partir de los datos experimentales. En las figuras siguientes se muestran
los resultados obtenidos para este cultivo.
Los resultados experimentales para este cultivo CDA-2- se muestran en

la Figura 5-57, se observa que en este cultivo el incremento de volumen fue
prcticamente lineal para el reactor lote alimentado.
16
CDA-2
14
12
10
F(t) [L*h-1]
6
X- Exp
S- Exp
4
V- Exp
0
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-57: CDA-2. Evolucin de los estos experimentales
5.8.2. Flujo de alimentacin al biorreactor
La dinmica del cultivo estuvo determinada por el flujo de alimentacin , Ft ,

al biorreactor, la evolucin de Ft se muestra en la Figura 5-58. Es importante
mencionar que Ft fue incremento durante todo el reactor lote alimentado, com-
parado con el flujo de alimentacin para las anteriores fermentaciones-CDA y
CDA-1- Figuras 5-2 y 5-43 repectivemente.
5.8. CORRIDA EXPERIMENTAL CDA-2: REACTOR LOTE ALIMENTADO ( S. CEREVISIAE)111
0.7
CDA-2
0.6
F(t)
0.5
0.4
F(t) [L*h-1]
0.3
0.2
0.1
-0.1
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-58: CDA-2. Dinmica del flujo de alimentacin al biorreactor
5.8.3. Velocidad especfica de crecimiento experimental,

Exp
Utilizando los datos experimentales de biomasa se calcul la velocidad es-
pecfica de crecimiento, Exp , el resultado obtenido se muestra en la Figura
5-59, claramente se puede ver que durante todo el cultivo en reactor lote slo
se dispuso de dos muestreos en t = 0 h y t = 11 h lo anterior no permiti
poder conocer la evolucin completa de Exp . Para el reactor lote alimentado se
dispone de ms datos, sin embargo, la evolucin de Exp tampoco es completa
debido la cantidad de datos experimentales.
0.5
Velocidad especfica de crecimiento experimental [h-1]
0.45 CDA-2
0.4
Velocidad especfica de crecimiento experimental
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-59: CDA-2: Velocidad especfica de crecimiento experimental

5.8.4. Estimacin de la velocidad especifca de crecimiento

Exp
experimental (b t )
Utilizando el estimador para la velocidad especfica de crecimiento experi-

bExp
mental estimada, t , se logr obtener la dinmica completa de este parmetro.
En la Figura 5-60 se muestran los resultados obtenidos para bExp
t al aplicar el
Exp
algoritmo (4.87-88) se obtuvo la dinmica de bt esta se muestra en la Figura
5-60.
0.5
Velocidad especfica de crecimiento experimental [h-1]
0.45 CDA-2
a)
0.4 0.25
0.2
0.35
0.15
0.3 0.1
0.05
0.25
0
0 5 11 15 20 25 30
0.2
0.15
0.1
0.05 y1 Velocidad especfica de crecimiento estimada
0
0 5 11 15 20 25 30
Tiempo [h]
bExp
Figura 5-60: CDA-2. Evolucin de t con C1 = 5,6 Lh1 g 1 y C2 = 7,84 .L2 h2 g 2
Se compar la velocidad especfica de crecimiento experimental, Exp ,y la

velocidad especfica de crecimiento experimental estimada, bExp
t , se comparo
como se muestra en la figura a) de la Figura 5-60.
5.8.5. btExp
Durante el proceso de estimacin de bExp

t el mejor desempeo para el es-
timador fue cuando se logr el menor error de XtExp X btExp , es decir, la ob-
servacin del error. Los resultados se muestran la Figura 5-61. Una primera
aproximacin en el diseo de los parmetros C1 y C2 se muestra en la figura a),
y en la figura principal se muestra la evolucin de XtExp y XbtExp , para XtExp
Xbt
Exp
' 0.
16
12 CDA-2
14 a)
10
12 8
6
10
4
x1, x2 [g*L-1]
2
8
0
0 5 11 15 20 25 30
x1 Biomasa estimada
2 x2 Biomasa experimental
0
0 5 10 15 20 25 30
Tiempo [h]
btExp con C1 = 5,6 Lh1 g 1 y C2 = 7,84 .L2 h2 g 2

Figura 5-61: CDA-2. Evolucin de X
btExp , es decir, cuanto se alejan los valores de X

La norma del error de X btExp de
Exp
los datos experimentales, Xt , se muestra en la Figura 5-62(figura principal)
y la figura a).
CDA-2
1.5
a)
Norma del error de X(t) [g*L-1]
0.1 1
0.5
0
0 5 10 15 20 25 30
0.05
0
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-62: CDA-2. Norma del error de XtExp con C1 = 5,6 Lh1 g 1 y C2 = 7,84. L2 h2 g 2

aparente
Una vez que se estim bExp

t se calcul el coeficiente volumtrico de trans-
ferencia de masa terico, kL aExp
t , que se tomo como la seal de referencia para
obs
evaluar el desempeo del estimador para el parmetro kd La . La dinmica de t
referencia kL aExp
t obtenida se muestra en la Figura 5-63.
400
CDA-2
350
y2 Coeficiente volumtrico de transferencia de oxgeno
300
250
y2 [h-1]
200
150
100
50
0
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-63: CDA-2. Coeficiente volumtrico de transferencia de oxgeno experimental o aparente

VtExp y CtSetpoint
En este punto se defini el identificador como un entrenador basado en RND,

es decir, la RND se aplico para obtener la mejor aproximacin posible a los
datos experimentales. La descripcin matemtica de este tipo de RND est
dada por (4.14).Los valores de P , K1 ,K2 , W1,t=0 y W2,t=0 definidas con anteri-
oridad.
Las condiciones iniciales de la RND descrita por (4.14)
T
bt=0 = 0,4482 10,3 0,0007 6
x
La evolucin de los estados experimentales y los estados identificados por

RND se muestran en la Figura 5-64. Este procedimiento se desarroll para
generar los valores finales de matrices de los pesos y permiti la correcta seleccin
de los parmetros de la RND. Todo el procedimiento desarrollado se conoce
como el proceso de entrenamiento de la RND.
16
14 CDA-2
X(t)- Exp
S(t)- Exp
12 V(t)- Exp
Estados Identificados por la Red
C(t)- Exp
10 X(t)- Red
S(t)- Red
8 V(t)- Red
C(t)- Red
6
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-64: CDA-2. Estados identificados por la RND
La dinmica de la ley de aprendizaje de la RND para la identificacin de

los estados se muestra en las Figuras 5-65 y 5-66
400
350 CDA-2
300
250
200
150
100
50
-50
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-65: CDA-2. Evolucin de W1,t en el identificador

7
CDA-2
6

4
1
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-66: CDA-2. Evolucin de W2,t en el identificador

Los valores finales de las matrices de pesos fueron los siguientes:

19,4 25,45 0,08612 261 4,56 5,579 3,395 2,625
22,33 30,67 0,0791 229,1 5,362 2,374 5,3994 4,894
W1,t=27 =
13,36 12,06
W2,t=27 =
2,219 113,9 1,414 4,355 4,496 1,687
26,35 30,46 0,7195 318,8 2,529 3,532 4,594 3,178
5.8.9. Estimacin de biomasa y substrato

Para poder identificar los estados experimentales, se defini en el captulo
cuatro una RND como ONL, la cual est descrita por (4.27). Los estados
observados Xtobs , Stobs , Ctobs y Vtobs se muestran en las Figuras 5-67, 5-68, 5-69
y 5-70 respectivamente.
16
CDA-2
14
X(t)- Experimental
12
X(t)- Neuro-observador
10
Biomasa [g*L-1]
0
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-67: CDA-2. Biomasa observada, XtObs

16
14 CDA-2
12
10
Substrato [g*l-1]
S(t)- Experimental
8 S(t)- Neuro-observador
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-68: CDA-2. Substrato observado, StObs
16
15 CDA-2
V(t)- Experimental
14
V(t)- Neuro-observador
13
12
Volumen [L]
11
10
5
0 5 11 15 20 25 30
Tiempo [h]
Figura 5-69: CDA-2. Volumen observado VtObs

-3
x 10
5
4.5 CDA-2
4
C(t)-Setpoint
3.5
C(t)- Neuro-observador
Oxgeno [g*l-1]
3
2.5
1.5
0.5
0
0 5 10 15 20 25 30
Tiempo [h]
Figura 5-70: CDA-2. Oxgeno observado, CtObs
La evolucin de los pesos W1,t y W2,t se muestran en las Figuras 571 y 5-72.
450
400 CDA-2
350
300
250
200
150
100
50
-50
0 5 11 15 20 25 30
Tiempo [h]
Figura 5.71: CDA-2. Evolucin de W1,t observador de estados

10
CDA-2
8
6
Magnitiud de los pesos
-2
-4
0 5 10 15 20 25 30
Tiempo [h]
Figura 5.72: CDA-2. Evolucin de W2,t observador de estados
Las condiciones iniciales de los pesos en la ley de aprendizaje fueron

1,3 3,4 4,5 4,5
3,5 4,5 2,8 5,6
W1,t=0 = W2,t=0 =
2,8

3,7 1,5 5,6
2,8 3,7 1,5 5,6
5.8.11. bObs
Velocidad especifica de crecimiento observada, t
bObs
Los resultados para t se desarrollaron para cuatro diseos diferentes de
los parmetros C1 y C2 , estos se muestran en las figuras a), b), c) y d) de
la Figura 5-73. El mejor desempeo de para el estimador fue para C1 = 3,5
Lh1 g 1 y C2 = 3,0625 L2 h2 g 2 , este resultado corresponde a la figura c).
Para cada uno de los cuatro diseos se determino la norma del error.
a) b)
0.4 0.4
Reactor: lote Reactor: lote alimentado Reactor: lote Reactor: lote alimentado
0.3
0.3
y1, y2 [h-1]
y1, y2 [h-1]
0.2
0.2
0.1
0.1
0
-0.1 0
0 5 11 15 20 25 30 0 5 11 15 20 25 30
Tiempo [h] y1 Tiempo [h]
c) y2 d)
0.4 0.4
0.3 0.3
y1, y2 [h-1]
y1, y2 [h-1]
0.2 0.2
0.1 0.1
0 0
0 5 11 15 20 25 30 0 5 11 15 20 25 30
bObs
Figura 5-73: CDA-2. Evolucin de t con C1 = 3,5 Lh1 g 1 y C2 = 3,0625 L2 h2 g 2 para c)
5.8.12. Norma del error
El desempeo del estimador se evalua a travs de la norma del error. Los

resultados para los diferentes diseos de los parmetros C1 y C2 se muestran
en la Figura 5-74 donde se observa la convergencia de la norma del error muy
cercana a cero. Y el mejor desempeo del estimador fue en la figura c) ya que
corresponde a los mismos valores utilizados para el diseo de los parmetros C1
y C2 .En este caso slo se muestran los valores de C1 y C2 para el diseo c)
a) b)
1 1
Norma del error X(t) [g*L-1]

0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
c) d)
1 1

0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 5 10 15 20 25 30 0 5 11 15 20 25 30
bObs
Figura 5-74: CDA-2. Norma del error de t con C1 = 3,5 Lh1 g 1 y C2 = 3,0625 L2 h2 g 2 para c)

obs
kd
L at
obs
Finalmente se estimo kd L at los resultados obtenidos se muestran en las
figuras a), b), c) y d) de la Figura 5-75.
a) b)
1000
Reactor: lote Reactor: lote alimentado 400 Reactor: lote Reactor: lote alimentado
800
300
y3, y4 [h-1]
y3, y4 [h-1]
600
200
400
200 100
0 0
0 5 11 15 20 25 30 0 5 11 15 20 25 30
y3
c) y4 d)
400 400
300 300
y3, y4 [h-1]
y3, y4[h-1]
200 200
100 100
0 0
0 5 11 15 20 25 30 0 5 11 15 20 25 30
obs
Figura 5-75: CDA-2. Evolucin de kd
L at para C1 = 11 104 Lh1 g 1 y C2 = 30,25 108 L2 h2 g 2 para c)
5.9. Corrida experimental CDA-IBT: Reactor lote

( A. vinelandii)
Los datos experimentales de la fermentacin CDA-IBT, fueron utiliza-
dos para validar el desempeo del software sensor diseado para estimar el
parmetro kL at . La seal de referencia utilizada fue la evolucin de kL aExp
t ,
dicha evolucin se obtuvo en lnea utilizando un medidor paramagntico de
oxgeno . Para esta fermentacin durante todo el cultivo fueron accesibles en
lnea kL aExp
t y Ct .

Los estados experimentales para esta fermentacin se muestran en la Figura
5-76
Biomasa Substrato
5 25
Reactor: lote Reactor: lote
4 20
X(t)- Exp [g*L-1]
3 S(t)-Exp [g*L-1] 15
X(t)- Exp S(t)- Exp
2 10
1 5
0 0
0 20 40 60 80 0 20 40 60 80
-3
x 10 Oxgeno Volumen
8 4
6 3.5
C(t)- Exp [g*L-1]
V(t)- Exp [L]
V(t)-Exp
4 C(t)-Exp 3
2 2.5
0 2
0 20 40 60 80 0 20 40 60 80
Figura 5-76: CDA-IBT. Estados experimentales
5.9.2. Velocidad especfica de crecimiento experimental

bExp
estimada, t .
La velocidad especfica de crecimiento experimental estimada, bExp
t , se es-
tim utilizando el algoritmo descrito por (4.87-88). El diseo de los parmetros
C1 y C2 se realiz de acuerdo a los datos reportados en la Tabla 5.5, los resul-
tados se muestran en la Figura 5-77.
Ntese que para esta corrida experimental se desarrollo el calculo completo
de los valores de los parmetros C1 y C2 de acuerdo con la definicin (4.93).
Tabla 5.5: Diferentes diseos para los parmetros C1 y C2 en el proceso de

bExp
estimacin de t .
5.9. CORRIDA EXPERIMENTAL CDA-IBT: REACTOR LOTE ( A. VINELANDII)123

Diseo C1 Lh1 g 1 C2 L2 h2 g 2 Diseo C1 Lh1 g 1 C2 L2 h2 g 2
A 0,7 0,1225 G 4,9 6,0025
B 1,4 0,49 H 5,6 7,84
C 2,1 1,1025 I 6,3 9,9225
D 2,8 1,96 J 7 12,25
E 3,5 3,0625 K 7,7 14,8225
F 4,2 4,41 L 8,4 17,64
0.35
Reactor: lote
y1 Velocidad especfica de crecimiento estimada

0.3
y1- A)
a)
0.3 y1- B)
0.25
0.25 y1- C)
0.2 y1- D)
0.2 0.15 y1- E)
y1 [h-1]
0.1
y1- F)
0.05
0.15 y1- G)
0
0 20 40 60 80 y1- H)
y1- I)
0.1
y1- J)
y1- K)
0.05
y1- L)
0
0 10 20 30 40 50 60 70 80
Tiempo [h]
bExp
Figura 5-77: CDA-IBT. Evolucin de t con diferentes valores de C1 y C2
En la figura a) de la Figura 5-77 se muestra la evolucin de bExp

t para los
diferentes diseos: A (lnea roja), J (lnea verde) y K (lnea azl). Para estos
tres diseos el mejor desempeo para del estimador fue para el diseo J. En la
figura principal se muestra la evolucin de bExp
t para todos los diseos de los
parmetros C1 y C2 . La caracterstica sobresaliente es que a medida que el error
XtExp X btExp converge a cero, la evolucin de
bExp
t se define para cada diseo
de C1 y C2 y cuando XtExp X btExp ' 0 se logra la evolucin ms precisa de
bExp
t .
bExp
En la Figura 5-78 se muestra la evolucin final obtenida para t (Diseo
Exp
J) y la velocidad especfica de crecimiento experimenta, t .
0.35
Reactor lote
CDA-IBT
0.3
Velocidad especfica de crecimiento [h-1]

0.25
y1 Velocidad especfica de crecimiento estimada
Velocidad especfica de crecimeiento experimental
0.2
0.15
0.1
0.05
0
0 10 20 30 40 50 60 70 80
Tiempo [h]
bExp
Figura 5-78: CDA-IBT. Evolucin de t con diferentes valores de C1 y C2

VtExp
Las condiciones iniciales de la RND descrita por (4.14) fueron las siguientes:
T
bt=0 = 0,05 20,07 0,0008 3
x
En la Figura 5-79 se muestra la identificacin de los estados por la red, el

cuarto estado, Ct , se muestra en la Figura 5-80 donde esta fue la dinmica de
referencia utiliza en la etapa de validacin del estimador propuesto para esta
ferementacin.
22
Reactor: lote
20
CDA-IBT
Estados experimentales identificados por la red
18
16
14
X(t)- Exp
12
S(t)- Exp
10 V(t)- Exp
X(t)- Red
8
S(t)- Red
6 V(t)- Red
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-79: CDA-IBT.Estados experimentales ( XtExp , StExp , VtExp ) identificados con la RND
-3
x 10
Reactor: lote
8
Estado identificado por la red 7
C(t)- Exp
5
C(t)- Red
4
-1
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-80: CDA-IBT. Estado experimental CtExp identificado con la RND
En las Figura 5-81 y 5-82 se muestra el comportamiento de los pesos durante

el proceso de ajuste de la ley de aprendizaje.
Reactor: lote
500
400
300
200
100
-100
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-81: CDA-IBT. Evolucin de W1,t en el identificador

7
Reactor: lote

4
0
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-82: CDA-IBT. Evolucin de W2,t en el identificador
Los valores finales de las matrices de pesos W1,t y W2,t en el proceso de

entrenamientos fueron los siguientes:

7,84 42,22 0,5268 37,45
10,2 141,1 0,2767 72,97
W1,t =
6,686 70,73

2,377 32,13
7,982 108,2 0,6687 63,62

4,543 5,556 3,397 2,332
5,344 2,468 5,395 4,663
W2,t =
1,401

4,401 4,498 1,524
2,505 3,596 4,595 2,8556
5.9.5. Observacin de los estados experimentales con el

NOD
T
xObs
Los estados experimentales fueron observados (bt = XtObs StObs CtObs VtObs )
utilizando el NOD descrito por (4.27), los resultados obtenidos se muestran en
las Figuras 5-83, 5-84, 5-85 y 5-86 para biomasa, substrato, oxgeno y volumen
respectivamente.
Reactor: lote
5
CDA-IBT
4
Biomasa [g*L-1]
X(t)- Experimental
2 X(t)- Neuro-observador
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-83: CDA-IBT. Biomasa observada, XtObs
5.9.6. Substrato
Reactor: lote
CDA-IBT
20
15
Substrato [g*L-1]
S(t)- Experimental
S(t)- Neuro- observador
10
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-84: CDA-IBT. Substrato observado, StObs
5.9.7. Oxgeno
-3
x 10
Reactor: lote
8 CDA-IBT
Oxgeno [g*L-1]
5
4
C(t)- Experimental
3 C(t)- Neuro- observador
-1
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-85: CDA-IBT. Oxgeno observado, CtObs
Volumen
5
Reactor: lote
4.5 CDA-IBT
4 data1
V(t)- Neuro- observador
3.5
Volumen [L]
2.5
1.5
0.5
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-86: CDA-IBT:volumen observado, VtObs .
En las Figuras 5-87 y 5-88 se observa la evolucin de W1,t y W2,t en la ley

de aprendiza descrita por (4.28) y (4.29),
Reactor: lote
500
CDA-IBT
400
300
200
100
-100
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-87: CDA-IBT. Magnitud de W1,t , observacin de estados
Reactor: lote
10
CDA-IBT
-5
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-88: CDA-IBT. Magnitud de W2,t , observacin de estados
5.9.9. bObs
Velocidad especfica de crecimiento observada, t
bObs
En el proceso de estimacin de t se realiz diseando los parmetros C1
y C2 en la estructura del algoritmo de estimacin descrito por (4.123-124). Los
resultados obtenidos se muestran en la Figura 5-89.
Los resultados que fueron obtenidos en el proceso de estimacin para bObs
t
mostrados en la Figura 5.87 corresponden al diseo de los parmetros C1 y C2
que se muestra en la Tabla 5.6, donde el mejor desempeo fue para el Diseo
bObs
D, este hecho fue confirmado al calcular la norma del error de t con respecto
Exp
bt .
a la seal de referencia
bObs
Tabla 5.6. Diseo de C1 y C2 , estimacin de t en CDA-IBT

Diseo Figura C1 Lh1 g 1 C2 L2 h2 g 2
A a) 1,4 0,49
B b) 4,2 4,41
C c) 6,3 9,92
D d) 9,8 24,41
a) CDA-IBT b)
0.4
0.3
0.3
0.2
0.2
y1, y2
y1, y2
0.1
0.1
0 0
-0.1 -0.1
0 20 40 60 80 0 20 40 60 80
c) y2 d)
Reactor: lote 0.8 Reactor: lote
0.5
0.4 0.6
0.3
y1, y2
y1, y2
0.4
0.2
0.1 0.2
0
0
-0.1
0 20 40 60 80 0 20 40 60 80
bObs
Figura 5-89: CDA-IBT. Evolucin de t para diferentes diseos de C1 y C2
5.9.10. bExp
Norma del error t bObs
t
Los resultados obtenidos para los diseos de C1 y C2 de la Tabla 5.6 norma

bExp
del error de t bObs
t , se muesatran en la Figura 5-90, y corresponde a los
mismo diseos de los parmetros C1 y C2 de la Tabla 5.6. El menor error se
muestra en la figura d) que corresponde al Diseo D.
a) CDA-IBT b)
0.1 0.08
Norma del error de y2-y1 [h-1] Reactor: lote Reactor: lote
Norma del error y2-y1 [h-1]

0.08
0.06
0.06
0.04
0.04
0.02
0.02
0 0
0 20 40 60 80 0 20 40 60 80
c) d)
0.25 0.8
Norma del erros de y2-y1 [h-1]
Norma del error de y2-y1 [h-1]

0.2
0.6
0.15
0.4
0.1
0.2
0.05
0 0
0 20 40 60 80 0 20 40 60 80
bObs
Figura 5-90: CDA-IBT. Norma del error de t
5.9.11. btObs
Observacin del error de XtObs X
btObs a cero, se muestran en la Figura 5-91.
La convergencia del error XtObs X
b
La evolucin de Xt Obs
para los diferentes diseos de los parmetros C1 y C2 de
la Tabla 5.6.
a) CDA-IBT b)
5 5
4 4
Biomasa [g*L-1]
Biomasa [g*L-1]
3 3
2 2
1 1
0 0
-1 -1
0 20 40 60 80 0 20 40 60 80
X(t)- Neuro- observador
X(t)- Estimada
c) d)
5 5
4 4
Biomasa [g*L-1]
Biomasa [g*L-1]
3 3
2 2
1 1
0 0
-1 -1
0 20 40 60 80 0 20 40 60 80
btObs con diferentes diseos de C1 y C2

Figura 5-91: CDA-IBT. Evolucin X
5.9.12. btObs
Para el proceso de estimacin de bObs

t , la norma del error de XbtObs obtenida
se muestra en la Figura 5-92, se observa que en cada una de las figuras a), b),
c) y d) esta presente en t = 0 el valor de la norma del error es aproximadamente
de 0.5 gL1 , es decir, el valor de que tanto esta alejado el proceso de estimacin
con respecto a la referencia. Para entender lo anterior se realiz un acercamiento
en el siguiente intervalo 10 h t 0 h los resultados se muestran en la Figura
5-93 donde se puede apreciar el sobre paso que hay en t = 0 h, el cual esta
directamentemente relacionado con el diseo de los parmetros C1 y C2 , la
velocidad de convergencia del estimador para bObs
t , sin embargo, los resultados
obtenidos son bastante aceptables.
a) CDA-IBT b)
Reactor lote Reactor lote
0.5 0.5
Norma del error [gL-1]
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 20 40 60 80 0 20 40 60 80
c) d)
Reactor lote Reactor lote
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 20 40 60 80 0 20 40 60 80
btObs
Figura 5-92: CDA-IBT. Norma del error de X
a) CDA-IBT b)
1 1
Biomasa [g*L-1] Reactor: lote Reactor: lote
Biomasa [g*L-1]
0.5 0.5
0 0
-0.5 -0.5
0 2 4 6 8 10 0 2 4 6 8 10
Tiempo [h] X(t)- Neuro- observador Tiempo [h]
c) X(t)- Estimada d)
1 1
Biomasa [g*L-1]
Biomasa [g*L-1]
0.5 0.5
0 0
-0.5 -0.5
0 2 4 6 8 10 0 2 4 6 8 10
btObs acercamiento en 10 h t 0 h
Figura 5-93: CDA-IBT.Evolucin X

obs
kd
L at
Finalmente los resultados obtenidos para bObs

t yXbtObs fueron aplicados en
obs
la estructura del estimador diseado para estimar el kd L at descrito por el al-
goritmo desctito por (4.136-137) esta basado en la observacin del error de
CtExp C btObs . Donde CtExp es la concentracin de oxgeno disuelto en el medio
de cultivo, el cual estuvo disponible en lnea para toda la evolucin del cultivo.
La convergencia del error CtExp C btObs a cero se logr en base al diseo de
los parmetros C1 y C2 (ganancias) en la estructura del algoritmo del estimador
obs
para kdL at , de acuerdo con el diseos de C1 y C2 mostrados en la Tabla 5.7. Los
resultados se muestran en la Figura 5-94, para los cuatro diseos (a), b), c) y d))
obs
de C1 y C2 la estimacin del parmetro kd L at es aceptable, sin embargo cuando
anlizamos la convergencia del error CtExp C btObs (Figura 5-95) observamos que
para el diseo a) el error Ct Exp
C btObs no converge a cero para este diseo. Y
para los diseos restantes la observacin del error CtExp C btObs ' 0.
obs
Tabla 5.7. Diseo de C1 y C2 , estimacin de kd
L at en CDA-IBT
1 1 2 2 2
Diseo Figura C1 Lh g C2 L h g
A a) 1000 250 103
B b) 5000 625 104
3
C c) 10 10 25 106
3
D d) 11 10 3025 105
CDA-IBT
a) b)
40
Reactor: lote 40 Reactor: lote
30
30
y3, y4
y3, y4
20 20
10 10
0 0
0 20 40 60 80 0 20 40 60 80
y3
y4
c) d)
40 Reactor: lote 40 Reactor: lote
30 30
y3, y4
y3, y4
20 20
10 10
0 0
0 20 40 60 80 0 20 40 60 80
obs
Figura 5.94: CDA-IBT. Estimacin de kd
L at
El mejor desempeo del estimador se obtuvo para el Diseo D, en la figura

d). La observacin del error CtExp C btObs para los diseos de C1 y C2 de la
Tabla 5.7, se muestra en la Figura 5-94. El mejor desempeo de la convergencia
del error a cero corresponde al Diseo D, figura d).
CDA-IBT
a) -3
b)
x 10
0.01 10
8
0.005
6
y3, y4
0
4
y3, y4
-0.005
2
-0.01
0
-0.015 -2
0 20 40 60 80 0 20 40 60 80
y4
-3 c) -3
d)
x 10 x 10
10 10
8 8
6 6
y3, y4
y3, y4
4 4
2 2
0 0
-2 -2
0 20 40 60 80 0 20 40 60 80
Tiempo [h]
Figura 5-95: Tiempo

CDA-IBT.
[h]
btObs
Observacin del error CtExp C
Para una situacin prctica slo se podr disponer de una referencia prome-
dio para la evolucin del parmetro kL at de acuerdo a una serie de corridas
del proceso como tal. Sin embargo, la dinmica de un cultivo entre lote y lote
presenta desviaciones y entonces el comportamiento del parmetro kL at segura-
mente tambin las presentar. Por tanto, el desempeo del estimador propuesto
esta basado en la observacin del error entre el estado disponible en lnea, Ct ,
y el correspondiente estado estimado, CbtObs .
5.9.14. Desviacin de los valores estimados con respecto

a los datos experimentales
Para cuantificar la convergencia de los algoritmos matemticos utilizados
se considero la suma de las diferencias al cuadrado entre las mediciones y los
valores estimados en los cuatro algoritmos utilizados:
1. Identificacin de estados experimentales con la RND.
2. Observacin de estados experimentales con el observador basado en RND
o NOD.
3. Estimador para la velocidad especfica de crecimiento.
4. Estimador para el coeficiente volumtrico de transferencia de masa, kL a .
Los resultados siguientes corresponde a la corrida experiemental CDA-IBT.
Identificacin de estados experimentales con la RND

En el paso de identificacin de los estados experimentales utilizando la RND,
la desviacin entre los estados estimados y los estados experimentales de bio-
masa, substrato, oxgeno y volumen se muestran a continuacin:
Biomasa:
N h
X i2
%EX Exp = 100 btExp XtExp
X (5.6)
t
k=1
g2
%EX Exp = 7,838 108
t L2
Substrato:
N h
X i2
%ES Exp = 100 SbtExp StExp (5.7)
t
k=1
g2
%ES Exp = 0,001691
t L2
Oxgeno:
N h
X i2
%EC Exp = CbtExp CtExp 100 (5.8)
t
k=1
g2
%EC Exp = 4,5954 107
t L2
Volumen:
N h
X i2
EV Exp = 100 VbtExp VtExp (5.9)
t
k=1
EV Exp = 1,186 107 L2
t
con XtExp y XbtExp valor de la concentracin de biomasa experimental y la

extimada en el tiempo k y N al final del tiempo de fermentacin y de manera
semejante para el resto de los estados.
5.9.15. Observacin de estados experimentales con el ob-

servador basado en RND
Para el proceso de observacin de estados experimentales utilizando la RND,
los resultados se muestran a continuacin.
Biomasa:
N h
X i2
%EX Obs = 100 btObs XtExp
X (5.10)
t
k=1
g2
%EX Obs = 0,02203
t L2
Substrato:
N h
X i2
%ESObs = 100 SbtObs StExp (5.11)
t
k=1
2
g
%ESObs = 2,568
t L2
Oxgeno:
N h
X i2
%EC Obs = 100 btObs CtExp
C (5.12)
t
k=1
g2
%EC Obs = 9,818 106
t L2
Volumen:
N h
X i2
%EV Obs = 100 VbtObs VtExp (5.13)
t
k=1
2
%EV Obs = 0,4589 L
t
b Obs valor de la concentracin de biomasa experimental y la

con XtExp y X t
extimada en la estructura del NOD en el tiempo k y N al final del tiempo de
fermentacin y de manera semejante para el resto de los estados.
Estimador para la velocidad especfica de crecimiento

La desvicin de la velocidad especfica de crecimiento estimada, bObs
t , con
respecto a la velocidad especifica de crecimiento experimental, Exp
t es
N h
X i2
%EObs
t
= 100 bObs
t Exp
t (5.14)
k=1
1
%EExp = 0,0001263
t h2
con Exp
t ybObs
t el valor de la velocidad especifica de crecimiento experimental
medida y estimada. Para bObs
t esta dinmica fue estimada asumiendo que Obs
t se
temia en lnea, la que se obtuvo utilizando la dinmica de la biomasa observada,
XtObs .
Estimador para el coeficiente volumtrico de transferencia de masa,

kL a
La variacin para el coeficiente volumtrico de transferencia de masa estima-
obs
do, kd
La t y el coeficiente volumtrico de transferencia de masa experimental,
kL aExp
t , es
N
X 2
obs
%Ek obs = 100 kd
L at kL aExp
t (5.15)
L at
k=1
1
%Ek obs = 0,1571
L at h2
obs
con kL aExp
t y kd L at el valor del coeficiente volumtrico de transferencia
de masa medido y su estimado. La desviacin en el proceso de estimacin del
obs
parmetro estimado, kd L at , para cada diseo en la Tabla 5.7 aplicando la
definicin (5.15) los resultados se resume en la Tabla 5.8.
obs
Tabla 5.8 Desviacin de kL aExp
t y kd
L at
%Ek aobs
2 L t
Diseo h
A 2.426
B 0.1571
C 0.3959
D 0.4232
Los resultados de la Taba 5.8 confirman el hecho de que el diseo B se logra

obs
el mejor desempeo del estimador para kd L at
5.9.16. Desempeo del estimador con perturbaciones
En los resultados anteriores correspondientes a la validacin del algoritmo

propuesto para estimar el parmetro kL at no se considero que los datos que en-
trego el sensor para oxgeno disuelto pueden estan afectodos por posibles pertur-
baciones durante el proceso de medicin. Para probar la robustes del algoritmo
propuesto para estimar el parmetro kL at , se considero que las mediciones de
oxgeno disuelto en el medio de cultivo estaban a fectados por perturbaciones. La
estructura del algoritmo propuesto para estimar el kL at se describio en (4.141-
143). Para lo cual la principal consideracin para el diseo del estimador fue
asumir que las perturbaciones, y,t , durante el proceso de medicin de oxgeno
disuelto en el medio de cultivo estn disponibles en lnea con Ct definida como
Cm,t = Ct + y,t , donde la seal de perturbacin utilizada, y,t , fue ruido blanco,
es decir, una seal aleatoria (proceso estocstico) que se caracteriza porque sus
valores de seal en dos instantes de tiempo diferentes no guardan correlacin
estadstica. Como consecuencia de ello, su densidad espectral de potencia es una
constante. La seal de ruido utilizada se muestra en la Figura 5.95
-5
x 10
8
2
Magnitud de la seal
-2
-4
-6
-8
-10
0 10 20 30 40 50 60 70 80
Tiempo [h]
Figura 5-96: Seal de ruido blanco
La seal del ruido mostrada en la Figura 5-96 interfiere con la seal que
entrega el sensor para oxigeno disuelto, ambas seales la seal del estado Ct
cuando se considera que no hay perturbaciones y la seal afectada por la per-
turbacin, Cm,t , se muestra en la Figura 5-97.
-3
x 10
10
8
C(t) + perturbacin
C(t)- Experimental
6
Oxgeno [g*L-1]
-2
0 10 20 30 40 50 60 70 80
Tiempo [h]
btObs
Figura 5-97 Onservacin de la desviacin entre Cm,t y C
Cuando se utiliz la seal Cm,t para estimar el parmetro kL a en el algo-

ritmo de estimacin propuesto descrito por (4.141-143) se obtuvo el siguiente
resultado.
40
35
30
y3 - perturbacin
25
y4
y3, y4
20
15
10
0
0 10 20 30 40 50 60 70 80
Tiempo [h]
obs
Figura 5-98 Evolucin de kd
L at y kL aExp
t en presencia de perturbaciones
obs
En la Figura 5-98 se muestra la evolucin simultanea de kd L at y kL aExp
t ,
para esta dinmica las desvicines entre los valores estimados y los valores ex-
perimentales fue de
1
%Ek aobs = 0,4248 2
L t h
para el resultado anterior el diseo de los parmetros C1 y C1 fueron los mismos
que para el diseo B de la Tabla 5.8, sin embargo, el porciento de la desviacin
fue mayor en el caso de presencia de perturbaciones en la seal de medida para el
oxgeno disuelto en el medio de cultivo. Sin embargo, el valor obtenido continua

siendo bastante aceptable.
Finalmente es importante hacer notar que el hecho de haber adicionado una
seal de perturbacin a la seal entregada por el sensor para oxgeno disuelto fue
con la finalidad de mostrar la robustez del estimador propuesto, sin embargo, el
diseo del neuro-observador basado en RND fue diseado para ser robusto en
presencia de perturbaciones.
Captulo 6
Conclusiones Generales
En este trabajo se dise un estimador para medir el coeficiente volumtri-

co de transferencia de masa , kL a, en un biorreactor tipo tanque agitado. La
estructura del algoritmo matemtico o software sensor del estimador se diseo
aplicando redes neuronales diferenciales (RND) y observadores no lineales.
Se determin la prueba de estabilidad del estimador, basada en la teora
de estabilidad de Lyapunov, para los sistemas no lineales diseados, este hecho
asegura la estabilidad del software sensor.
El algoritmo matemtico diseado para estimar el parmetro kL a requiri
del hecho de poder tener en lnea la concentracin de biomasa, Xt , y la velocidad
especfica de crecimiento, t . Lo anterior fue resuelto utilizando la RND y el
algoritmo de estimacin para t .
La accesibilidad a la dinmica completa del sistema (biorreactor) se logr
aplicando el observador de estados basado en RND, es decir, la dinmica com-
pleta del biorreator se construy nicamente con un slo estado disponible en
lnea en el biorreactor, donde el estado utiliazado fue la concentracin de oxgeno
disuelto en el medio de cultivo, Ct .
La bondad del software sensor desarrollado fue que nicamente conociendo
la dinmica de Ct en el medio de cultivo se pudo estimar el parmetro kL a.
Se propuso este trabajo con el propsito declarado de tratar de disear un
sensor virtual para estimar el parmetro kL a, por tanto los objetivos que fueron
propuestos al inicio de este trabajo, se cumplieron, mediante el desarrollo del
software sensor para estimar el parmetro kL a en el biorreactor, este hecho
quedo demostrado al validar el software sensor con datos experimentales para
diferentes cultivos aerobios de S. cerevisiae y A. vinelandii (cultivos en reactor
lote alimentado y lote respectivamente).
Para los cultivos de A. vinelandii el porcentaje de error fue de 1.4 % y par los
cultivos de S. cerevisiae de 7.1 % o que permite sugerir que el estimador diseado
puede ser implementado en un biorreactor utilizando una tarjeta de adquisicin
de datos a travs de la plataforma de MATLAB. Esto es la implementacin en
tiempo real del estimador en un biorreactor. Lo anterior requiere de utilizar una
computadora personal (PC) para desarrollar las tareas asociadas a la lectura de
141
142 CAPTULO 6. CONCLUSIONES GENERALES
variables fsicas provenientes del fermentador, es decir, el proceso de adquisicin

de datos a travs de una tarjeta recolectora de datos. El programa que se puede
utilizar para realizar la interfase entre la PC y el usuario, es el Real Time
Windows Target (RTWT), perteneciente a la familia de programas del Real
Time Workshop (RTW). Este es un Toolbox del sistema integrado de desarrollo
conocido como MATLAB.
Finalmente, con la curva de aprendizaje adquirida en el desarrollo de este

trabajo se pueden plantear los siguientes pasos a seguir en esta lnea de investi-
gacin:
Disear un software sensor que sea ms robusto para poder estimar el

parmetro kL a, utilizando ms informacin disponible en el sistema que per-
mita estimar el parmetro kL a a travs de un sensor virtual.
Apndices
.1. Apndice 1: Medios de cultivo: S. cerevisiae

Se utilizaron los siguientes medios de cultivo para el desarrollo de la poblacin
microbiana los cuales se describen a continuacin.
.1.1. Medio de conservacin de la levadura

Las cepas se conservaron en tubos de agar inclinados, a 4o C, y se resiembran
cada 4 a 6 meses. La composicin del medio de conservacin fue:
Glucosa 20g/L
Extracto de levadura 10g/L
Agar-agar 20g/L
.1.2. Medio de cultivo sinttico

Los cultivos para el reactor lote alimentado se efectuaron utilizando un medio
sinttico con la siguiente composicin:
Glucosa
Sulfato de amonio 15 g/L
Fosfato monobsico de potasio 7 g/L
Clururo de calcio dihidratado 0.25 g/L
Cloruro de sodio 0.5 g/L
Cloruro de magnesio hexahidratado 6 g/L
Solucin de minerales 10 mL/L
Solucin de vitaminas 10 mL/L
pH 5.0
.1.3. Solucin de minerales

Sulfato de fierro heptahidratado 278 mg
Sulfato de zinc heptahidratado 288 mg
Sulfato de cobre pentahidratado 7.5 mg
Milibdato de sodio dihidratado 25 mg
Cloruro de cobalto haxahidratado 25 mg
Sulfato de magnesio monohidratado 169 mg
143
144 APNDICES
Agua destilada aforar a 500 mL
.1.4. La solucin de vitaminas

Biotina 1.5 mg
Pantotenato de calcio 20 mg
Inositol 125 mg
Piridoxina 25 mg
Agua destilada aforar a 500 mL
.1.5. Preparacin del inculo

El inculo se desarrollo en un litro de medio sinttico con 50 g/L de glucosa.
El medio se inocula con biomasa de Sacchoromyces cerevisiae proveniente de los
tubos de agar inclinado, y se incuba a 30o C con una velocidad de agitacin de
250 rpm por 28 horas.
.2. Apndice 2: Estimador para t

En el presente apndice se presenta el desarrollo matemtico para demostrar
la estructura del sistema de ecuaciones que describe la dinmica del error para el
estimador de la velocidad especfica de crecimiento, t . Esta demostracin esta
referida cuando las mediciones de biomasa, Xt , (mediciones en lnea, suposicin
fundamental) presentan perturbaciones o ruido, es decir, y,t 6= 0.
Nota: La dinmica del error para el algoritmo d estimador de t , tiene la

siguiente estructura (sistema (4.107), (4.108)): dt x(t) = Xm,t Ax(t) + B(t)u(t) ,
y en el capitulo 4 se asumi que las mediciones del ruido en la concentracin de
biomasa, Xm,t , estn disponible en (4.106) de la forma Xm,t = Xt + y,t .
Si se definen los errores para la biomasa Xt y la velocidad especfica de
crecimiento t como
et = Xt X
X bt (1)
bt
et = t (2)
y derivando los errores
d e d d b
Xt = Xt X t (3)
dt dt dt
d d d
e =
b (4)
dt t dt t dt t
Desarrollando (3):
d e h h ii
Xt = t Xt Dt Xt bt
bt Xm,t Dt Xm,t + C1 Xm,t Xm,t + X (5)
dt
d e h i
Xt bt Xm,t Dt Xt + Dt Xm,t C1 Xm,t Xm,t + X
= t Xt bt (6)
dt
.2. APNDICE 2: ESTIMADOR PARA T 145
por simplicidad los trminos de (6) se agrupan de la forma siguiente:

d e
bt Xm,t
Xt = t Xt (7)
dt
Dt Xt + Dt Xm,t (8)
h i
bt
C1 Xm,t Xm,t + X (9)
Desarrollando (7)
d e
Xt bt Xm,t
= t Xt (10)
dt
bt Xm,t
= t (Xm,t y,t ) (11)
et Xm,t t y,t
= (12)
Ahora desarrollamos (8)
Dt Xt + Dt Xm,t (13)
+Dt y,t (14)
y para (9)
h i
bt
C1 Xm,t Xm,t + X (15)
C1 Xm,t y,t
et
C1 Xm,t X (16)
Con los resultados de (7), (8) y (9), Entonces (6) tiene la forma siguiente:
d e et
et Xm,t t
Xt = y,t + Dt y,t C1 Xm,t y,t C1 Xm,t X (17)
dt
Finalmente se desarrolla (4):
d d h i
e
= t C2 Xm,t Xm,t + X bt (18)
dt t dt
d et
= C2 Xm,t y,t C2 Xm,t X (19)
dt t
Con el desarrollo de (17) y (19) la dinmica de error para el estimador es
" #
d X et et
et Xm,t t y,t + Dt y,t C1 Xm,t y,t C1 Xm,t X

= d e (20)
dt et dt t C2 Xm,t y,t C2 Xm,t Xt
El sistema (20) (dinmica del error) se expresa de la forma matricial siguiente:

d
x(t) = Xm,t Ax(t) + B(t)u(t) (21)
dt
Con h iT
x(t) = Xet et
(22)
146 APNDICES

[x(t)] C1 Xm,t Xm,t
J = h i =A= (23)
X et ,
et C2 Xm,t 0

C1 1
= Xm,t A = Xm,t (24)
C2 0

[x(t)] Dt t C1 Xm,t 0
J= = B(t) = (25)
[ y,t , t ] C2 Xm,t 1

u(t) = dy,t (26)
dt t
La estructura de (21) es la misma estructura para el algoritmo para el estimador

(4.109).
.3. Apndice 3: Estimador para kL at

La demostracin matemtica de la dinmica del error (4.144) para el al-
goritmo del estimador para estimar el coeficiente volumtrico de transferencia
de oxgeno, kL at , se desarrolla a continuacin. Esta demostracin esta referida
cuando las mediciones de oxgeno, Ct , (mediciones en lnea, suposicin funda-
mental) presentan perturbaciones o ruido, es decir, y,t 6= 0.
Nota: La dinmica del error para el diseo del estimador de kL at se defino

d
en el captulo 4 (sistema (4.144)) como dt x(t) = [C Ct ] Ax(t) + B(t)u(t). Las
perturbaciones en la medicin del oxgeno disuelto en el medio de cultivo estn
definidas como Cm,t = Ct + y,t (4.141)
Los errores se definen como:
ft = Ct C
C b (27)
kg d
L at = kL at kL at (28)
ft :
Derivando el error C
df d d b
Ct = Ct C (29)
dt dt dt
Desarrollando cada trmino de (29)
df
Ct = kL at [C Ct ] OU Rt (30)
dt
h h ii
kda
L t [C
Cm,t ] OU Rt + C1 [C
Cm,t ] Cm,t b
Ct (31)
df
Ct = kL at [C Ct ] kd
L at [C Cm,t ] (32)
dt h i
C1 [C Cm,t ] Cm,t C bt (33)
.3. APNDICE 3: ESTIMADOR PARA KL AT 147
Trabajando con los dos primeros trminos en (32)

df
Ct = kL at [C Cm,t y,t ] kd
L at [C Cm,t ] (34)
dt h i
df
Ct = kL at [C Cm,t ] + kL at y,t kd
L at [C Cm,t ] (36)
dt h i
df
Ct = kg
L at [C Cm,t ] + kL at y,t (38)
dt h i
Ahora con el ltimo trmino de (39)

df
Ct = kg
dt h i
C1 [C Cm,t ] Ct C b+ y,t (41)
df
Ct = kg
dt
ft C1 [C Cm,t ]
C1 [C Cm,t ] C y,t (43)
Ahora derivamos kg L at (28) y desarrollando los trminos de (44) de forma se-

f
mejante a Ct :
dg d d
kL at = kL at kd L at (44)
dt dt dt
d g d h h ii
kL at = kL at C2 [C Cm,t ] Cm,t C bt (45)
dt dt
dg d h i
kL at = kL at C2 [C Cm,t ] Ct C b + y,t (46)
dt dt
d g d ft C2 [C Cm,t ] y,t
kL at = kL at C2 [C Cm,t ] C (47)
dt dt
d f d g
Con las expresiones para dt Ct y dt kL at (42), (44) y (47) el sistema para la
dinmica del error es: " #
d ft
C
=
dt kg L at
" #
kg f
L at [C Cm,t ] + kL at y,t C1 [C Cm,t ] Ct C1 [C Cm,t ] y,t
(48)
d f
dt kL at C2 [C Cm,t ] Ct C2 [C Cm,t ] y,t
148 APNDICES
Entonces (48) se expresa en forma matricial en (49)
d
x(t) = [C Ct ] Ax(t) + B(t)u(t) (49)
dt
Entonces A, B(t) y u(t) tienen la forma siguiente:

C1 [C Cm,t ] [C Cm,t ]
A = (50)
C2 [C Cm,t ] 0

C1 1
= [C Cm,t ] A = [C Cm,t ] (51)
C2 0

k a C1 [C Cm,t ] 0
B(t) = L t (52)
C2 [C Cm,t ] 1

u(t) = d y,t (53)
dt kL at
Por tanto el sistema (49) es el mismo sistema en (44) con lo cual queda demostra-
do.
.4. Apndice 4: Eigenvalores

Si 1 < 2 < 0, entonces
Z t
| 1 exp (1 s) 2 exp (2 s) | ds (54)
0
= exp (2 t) exp (1 t) + 2 [exp (1 ) exp (2 )] (55)

Con
2
ln 1
= , para todo t > (56)
1 2
Prueba: El valor de definido por (56) es claramente el nico valor tal que:
1 exp (1 ) = 2 exp (2 ) (57)
Entonces es fcil ver que:

Z t
| 1 exp (1 s) 2 exp (2 s) | ds (58)
0
Z
= | 1 exp (1 s) 2 exp (2 s) | ds (59)
0
Z t
+ | 1 exp (1 s) 2 exp (2 s) | ds (60)

.5. APNDICE 5: SISTEMA LINEAL DE SEGUNDO ORDEN 149
.5. Apndice 5: Sistema lineal de segundo orden

Se considera el sistema lineal de segundo orden:
d
x(t) = Ax(t) + b(t)u(t) (61)
dt
Con
x1 (t)
x(t) = (62)
x2 (t)

C1 1
A= (63)
C2 0

b1 (t)
B(t) = (64)
b2 (t)
Asumiendo que b1 (t) y b2 (t) estn acotadas:
| b1 (t) | B1 , | b2 (t) | B2 (65)
y que la matriz A tiene eigenvalores distintos y reales 1 < 2 < 0 (por ejemplo,
C 2
C2 = 4 1 ).
Entonces,

1 1

2B1 1 1 2 1 1 2 B2
lm sup | x1 (t) | + B2 (66)
t 1 2 2 2 1 2
1 + 2
lm sup | x2 (t) | B1 B2 (67)
t 1 2
Prueba
La solucin de x(t) en (61) puede escribirse como sigue:
Z t
x(t) = P J(t)P 1 x(0) + P J (t ) P 1 b ( ) d (68)
0
con :

1 1
P = (69)
1 2
El eigenvector de la matriz de A

1 1 1
P 1 = (70)
1 2 2 1

exp (1 t) 0
J(t) = (71)
0 exp (2 t)
150 APNDICES
Y la solucin x(t) en ( 68) es:

Z t
1
x1 (t) = {(z1 + z2 ) b1 ( ) + (z3 + z4 ) b2 ( )} d (72)
1 2 0
Con
(z1 + z2 ) b1 ( ) = (1 exp (1 [t ]) 2 exp (2 [t ])) b1 ( ) (73)
(z3 + z4 ) b2 ( ) = (exp 1 [t ] 2 exp (2 [t ])) b2 ( ) (74)
Z t
1
x2 (t) = {(z5 + z6 ) b1 ( ) + (z7 + z8 ) b2 ( )} d (75)
1 2 0
Con
(z5 + z6 ) b1 ( ) = (1 2 [exp (2 [t ]) exp (1 [t ])]) b1 ( ) (76)
(z7 + z8 ) b2 ( ) = ([1 exp (2 [t ])] 2 exp (1 [t ])) b2 ( ) (77)
Es fcil ver que
1 exp (1 [t ]) 2 exp (2 [t ]) > 0 (78)
[1 exp (2 [t ])] 2 exp (1 [t ]) > 0 (79)
Ahora se analiza separadamente x(t)1 y x(t)2 usando (56) y la desigualdad
de Cauchy-Schwartz, tenemos de (72):
Z t
1
| x(t)1 |< {z9 + z10 } d (80)
1 2 0
Con
z9 = B1 | 1 exp (1 [t ]) 2 exp (2 [t ]) | (81)
z10 = B2 [exp (1 [t ]) exp (2 [t ])] (82)
y utilizando el apndice 3:
| x(t)1 |< (B1 [z11 + z12 ]) (83)
z11 = [exp (2 t)] exp (1 t) + 2 [exp (1 )] (84)

1 1
z12 = B2 (exp (1 t) 1) (exp (2 t) 1) (85)
1 2
Por lo tanto, tomando el lmite por la derecha de (80) para t , se puede
obtener la desigualdad (66).
De forma similar, usando (78) y (79)
1
| x(t)1 |< (z13 + z14 + z15 ) (86)
1 2
Con
1 1
z13 = B1 1 2 (exp (1 t) 1) (exp (2 t) 1) (87)
1 2

1 2
z14 = B2 (exp (2 t) 1) (exp (1 t) 1) (88)
2 1
Por lo tanto tomando el lmite de (67) para t , obteniendo la desigualdad
.6. APNDICE 6: COROLARIO A 151
.6. Apndice 6: Corolario A

Si se considera que C2 seleccionada tal que:
C12
C2 = , 0<<1 (89)
4
Entonces las expresiones
2B1
lm sup | x1 (t) | [1 + 2 ] + 3 (90)
C1
2
1
con

1 21

1 21 221
1 = (91)
1+ 21

1+ 21

1 21 221
2 = (92)
1+ 21
4
3 = B2 (93)
C1
Prueba
C1
1 = 1 21 (94)
2
C1
2 = 1+ 21 (95)
2
.7. Apndice 7: Solucin de la ecuacin de Lya-

punov
En esta parte se presenta el desarrollo matemtico para la solucin de la
ecuacin de Lyapunov (AT P + P A + Q = 0).
Se parte del hecho que P > 0 y Q > 0, es decir, las matrices P y Q son
definidas positivas en (96)
AT P + P A + Q = 0 (96)
Supngase que tenemos una matriz Q > 0. Para encontrar una matriz P apropi-
ada, se utiliza Z
T
P = eA QeA d (97)
0
Notamos que
d A
e = AeA = eA A (98)
dt
152 APNDICES
d At T T T
e QeAt = eAt A QeAt + eAt Q eAt A (99)
dt
y relacionando (97) con (96) se tiene que
Z Z
T T
AT P + P A = AT eA QeA d + eA QeA d A (100)
0
Z T Z 0
A A T
= e A Qe d + eA Q eA A d (101)
Z0 T
0
T
A A A

= e A Qe + e Q eA A d (102)
0
Z
d T
= eA QeA d (103)
0 dt
Por el teorema fundamental de calculo, la integral de la derivada es justamente

es la funcin evaluada en los limites. De esta manera tenemos
T
T A A
A P + PA = e Qe (104)
0
T 0 T
= eA QeA() eA QeA(0) (105)

El sistema es estable si y solo si eA = 0. De esta manera tenemos
0 T
AT P + P A = eA QeA(0) = (I) Q(I) = Q (106)
Entonces, queda demostrado (96).
.8. Apndice 8: Prueba de la funcin de Lya-

punov para la RND
En este apndice se desarrolla la demostracin de la ley de aprendizaje uti-
lizada en la estructura del identificado de estados basado en redes neuronales.

b = Ab
x xt + W1,t (b
xt ) + W2,t (b
xt ) (u (b
xt )) (107)
ahora se suponemos que existe una red identifica al sistema de forma exacta
expresada como

b = f (xt , ut ) + f
x (108)

x = Axt + W1,t (xt ) + W2,t (xt ) (u (xt )) + f
donde f se define como el error de modelado. El error se definio en (4.18)
como
t = xbt xt
.8. APNDICE 8: PRUEBA DE LA FUNCIN DE LYAPUNOV PARA LA RND153
Derivando el error

bt xt
t = x (109)
sustituyendo en (108 y 109) en (110)

t = Ab
xt + W1,t (b
xt ) + W2,t (b
xt ) (u (b
xt ))

Axt + W1,t (xt ) + W2,t (xt ) (u (xt )) + f (110)

t = At + W1,t (bxt ) + W2,t (bxt ) (u (b
xt ))

W1,t (xt ) W2,t (xt ) (u (xt )) f
Definimos
e : = (b
xt ) (xt ) (111)
e xt ) (xt )
: = (b (112)
Reordenado trminos y utilizando las definiciones

t = At +W1,t (b
xt )W1,t (xt )+W2,t (b
xt ) (u (b
xt ))W2,t (xt ) (u (xt ))f
La siguiente demostracin se desarrolla para mostrar que la funcin de Lya-

punov candidata definida en (4.36)
h i h i
Vt = Tt P t + tr Wf1,t
T f1,t
K 1 W T
+ tr Wf2,t
T f2,t
K 1 W T
1 2
en la estructura de la ley de aprendizaje del estimador es una Funcin de

Lyapunov V [x] que cumple con las siguientes propiedades:
1. V [x] = 0
2. V [x] > 0, para toda x 6= x

3. V [x] < 0,a lo largo de la trayectoria x = f (x), en el apndice 7 se presenta
la teora de Estabilidad de Lyapunov.

Se parte del hecho que un sistema no lineal x = f (xt , ut , t) siempre se puede
expresar alternativamente por un trmino conocido ms un trmino desconocido
en la siguiente forma:
Definimos un sistema no lineal de la forma

x = f (x, u) (113)
definimos una red

x = Ab
x + W1,t (b
x) + W2,t (b
x) (ut ) (114)
154 APNDICES
ahora supones que existe una red que se ajusta al sistema con la siguiente forma

x = f (x, u) = Ax + W1 (x) + W2 (x) (ut ) + f (115)
donde f es el error de modelado definido como

x = f (x, u) Ax W1 (x) W2 (x) (ut ) (116)
Las cotas a utilizar son las siguientes:
eT e
T Tt DT t (117)
e = (b
x) (x) (118)
T eT e (b
(ut ) (b
xt ) (ut ) xt ) Tt D t kk (u) k2 u (119)
e = (b
x) (x) (120)
e = (b
x) (x)

W1 W1 W1

W2 W2 W2
La ecuacin de Riccati
P A + AT P + P RP + Q0 = 0
el error se define cmo sigue

bx
t = x
y derivando el error

bx
t = x
sustituyendo en la ecuacin anterior
t = Ab
x + W1,t (b x) (ut ) [Ax + W1 (x) + W2 (x) (ut ) + f ]
x) + W2,t (b
agrupando trminos
t = A (b
x x) + W1,t (b x) (ut ) W1 (x) W2 (x) (ut ) f
x) + W2,t (b
e (ut )+W2,t (xt ) (ut )W (xt )W (xt ) (ut )f

e+W1,t (xt )+W2,t
t = At +W1,t 1 2

e+W
t = At + W1,t e (ut ) + W
f1,t (xt ) + W2,t f2,t (xt ) (ut ) f
De la funcin de Lyapunov candidata
h i h i
Vt = Tt P t + tr Wf1T K 1 W
f1 + tr Wf2T K 1 W
f2
1 2
.8. APNDICE 8: PRUEBA DE LA FUNCIN DE LYAPUNOV PARA LA RND155
se derivando
" T # " T #
T
d T

f1 K W
1 f1 K W
f1 + W T 1 f1 +tr W
f2 K W
1 f2 K W
f2 + W T 1 f2
Vt = t P t +t P t +tr W 1 1 2 2
dt
" T # " T #

d T

f 1 f f 1 f
Vt = 2t P t + 2tr W 1 K1 W1 + 2tr W 2 K2 W2
dt

trabajando con 2Tt P t y al sustiruir t se tiene
h i
2Tt P t = 2Tt P At + W1,t
e+W e (ut ) + W
f1,t (xt ) + W2,t f2,t (xt ) (ut ) f
= 2Tt P At + 2Tt P W1,t f1,t (xt )

e + 2Tt P W
e (ut ) + 2T P W
+2T P W2,t f2,t (xt ) (ut ) 2T P f
t t t
Por comodidad identificamos cada uno de los trminos como sigue

Tt P t =
2Tt P At a)
+2Tt P W1,t e b)
T f
+2t P W1,t (xt ) c)
+2Tt P W2,t e (ut ) d)
f2,t (xt ) (ut )
+2Tt P W e)
+2Tt P f f)
desarrollamos b)
2Tt P At
como T T
t P At = Tt P At
utilizando la siguiente desigualdad matricial
T
XT + XT Y X T 1 X + Y T Y
Hacemos la seleccin de la forma
Y e
=
XT = Tt P W1,t
entonces
2Tt P W1,t eT e
Tt P W1,t 1 +

T 1 T
eT e
t P W1,t W1,t P t +
T
T
t P W1 P t + t Dt t
156 APNDICES
e (ut )
2Tt P W2,t
X = Tt P W2,t
Y = e (ut )

T T
e (ut )
2Tt P W2,t Tt P W2,t + 1 Tt P W2,t + e (ut )
e (ut )

e
Tt P W2 P t + k (ut ) k2

Tt P W2 P t + t D t u
c)
f1,t (xt )
2Tt P W
h i
f1,t (xt ) = 2tr P t (b
2Tt P W f1,t
xt ) W
d)
e (ut )
2Tt P W2,t
h i
e (ut ) = 2tr P t (ut )T (b
2Tt P W2,t f2,t
xt )T W
de la funcin de candidata deLyaponov

Tt AT P t + Tt P At + Tt P At + Tt P W 1 P t

+D t + t P W 2 P t + Tt D t u e
" #
T
+2tr W f1,t K W
1 f1,t + P t (b f1,t
xt ) W
1
" T #

f2,t K 1 W
+2tr W f2,t + P t (ut )T (b f2,t
xt ) W
2
factorizando t y Tt

V Tt AT P + P A + P W 1 + W 2 P + D + D + Q0 Tt Tt Q0 t
"" # #
T
+2tr W f1,t K + P t (b
1
xt ) Wf1,t
1
"" # #
T
+2tr f 1 T
W2,t K2 + P t (ut ) (b f
xt ) W2,t
"" T # #

2tr f1,t K 1
W + P t (b f1,t = 0
xt ) W
1
T
f1,t K 1 + P t (b
W xt ) = 0
1
.9. APNDICE 9: TEORA DE ESTABILIDAD DE LYAPUNOV 157
T
f1,t = K1 [P t (b
W xt )]T
"" T # #

+2tr f2,t K 1
W
T
+ P t (ut ) (b f2,t = 0
xt ) W
2
T
f2,t K 1 + P t (ut )T (b
W xt ) = 0
2
h iT
f2,t = K2 P t (ut )T (b
W xt )
T
Finalmente se encuentra la ley de aprendizaje para la funcin de Lyapunov

propuesta, la cual se definio previamente en (4.16-17)
.9. Apndice 9: Teora de Estabilidad de Lya-
punov
El concepto de estabilidad de acuerdo a Lyapunov ha tenido muchas apli-
caciones en sistemas de control; de hecho toda la teora de sistemas dinmicos
esta basada en los mtodos de Lyapunov.
.9.1. Teora de estabilidad de Lyapunov

Definicin A (funcin definida positiva)
Una funcin W diferenciable continuamente: <n <+ se dice que es una
funcin definida positiva en la region U de <n que contiene el origen si (1)
W (0) = 0 y (2) W (x) > 0 para x U y x 6= 0. W (x) es semidefinida positiva
si W (x) 0 para x U y x 6= 0.
Convenientemente, si la condicin (2) en la Definicin A es remplazada por
W (x) < 0, entonces W (x) se dice que es semidefinida negativa. W (x) se dice
que es semidefinida positiva si W (x) 0.
Definicin B (diferenciabilidad continua)
Una funcin f (x, t) donde f : U [a, b] <m para un dominio U <n se
dice que continuamente diferenciable al rededor de U [a, b] si ambas f (x, t) y
[f /x] (x, t) son continuas sobre U [a, b].
Ntese que la diferenciabilidad continua al rededor de un dominio implica la
propiedad local de Lipschitz.
.9.2. Matriz definida positiva

Una matriz nn, Q = QT , se dice que es definida positiva, para todo x <n ,
f (x) = xT Qx es una funcin definida positiva.
Una matriz definida positiva es una matriz especial y aparece de diferentes
formas en sistemas y teora de control. Se puede mostrar que una matriz definida
positiva tiene las siguientes propiedades:
158 APNDICES
1. Todos los eigenvalores de una matriz definida positiva son reales

2. Todos los eigenvalores de una matriz definida positiva son positivos
3. Los eigevalores de una matriz definida positiva son ortogonales. Una con-
secuencia de esto es que existe una matriz unitaria, U , tal que = U T QU
es una matriz diagonal de eingenvalores de Q y donde U U T = U T U = I
4. Una matriz definida positiva puede ser factorizada (factorizacin Cholesky):
Q = F T F para alguna matriz F
Por tanto, cualquier matriz simtrica con todos los eigenvalores positivos es
una matriz definida positiva. Dada una matriz

q11 q12
Q= (121)
q21 q22
esta matriz es definida positiva si y solo si (i) q11 > 0, (ii) q12 = q21 , (iii)
q
q22 = q21112 . La condicin (ii) asegura que la matriz es simtrica, condiciones (i)
y (iii) aseguran que la matriz Q es definida positiva.
.9.3. Funcin definida positiva

Una funcin f (x) se dice que es positiva si (i) f (x) 0 para toda x, f (x) = 0
si y slo si x = 0.
.9.4. Funcin definida negativa

Una funcin definida negativa, f (x), se dice que es definida negativa si (i)
f (x) 0 para toda x, (ii) f (x) = 0 si y slo si x = 0.
.9.5. Funciones de Lyapunov

Un sistema no lineal se representa por
d
x = x = f (x) (122)
dt
Se define un punto de equilibrio como x , con
f (x) = 0 (123)
x es estable en el sentido de Lyapunov si existe una cantidad positiva tal que
para toda = ( ), se tiene que
| x (t=0 ) x |< =| x x |< (124)
para toda t > t=0 , se establece que x es asintticamente estable si esta es
estable y
| x x | 0 como t (125)
Por otro lado x es inestable si esta no es estable.
Para determinar la estabilidad o la inestabilidad de x se dispone de dos mto-
dos principales: mtodo indirecto de Lyapunov y mtodo directo de Lyapunov.
.9.6. Mtodo indirecto de Lyapunov

El mtodo indirecto de Lyapunov requiere la linealizacin del sistema no

lineal, x = f (x). La expansin de la serie de Taylor al rededor x (redefiniendo
x x x),

x = Ax + g(x), (126)

A= [f ] , (127)
x x
A es la matriz jacobiana de f (x), y g(x) contiene los trminos de mayor orden
de la serie de Taylor;
| g(x) |
lm =0 (128)
|x|0 | x |

Entonces el sistema no lineal x = f (x) es asintticamente estable si y slo si el

sistema lineal x = Ax, todos los eigenvalores de A tienen parte real negativa.
Una desventaja del mtodo es que si alguno de los eigenvalores de A son
cero y el resto tienen parte real negativa, entonces, no es posible sacar alguna
conclusin sobre el sistema no lineal, pero la mayor desventaja es que el mtodo

requiere la linealizacin del sistema x = f (x), esta linealizacin del sistema es
aplicada para situaciones cuando las condiciones iniciales estn muy cercanas al
punto de equilibrio.
.9.7. Mtodo directo de Lyapunov

El segundo mtodo es el mtodo directo de Lyapunov ; este es una gener-
alizacin del concepto Lagrange de estabilidad de energa potencial mnima.

Considere el sistema no lineal x = f (x). Suponemos que existe una funcin,
llamada Funcin de Lyapunov,V [x] con las siguientes propiedades:
1. V [x] = 0
2. V [x] > 0, para toda x 6= x

3. V [x] < 0,a lo largo de la trayectoria x = f (x)
Entonces, x es asintticamente estable. Se puede ver que el mtodo infiere
sobre la existencia de una Funcin de Lyapunov, la cual es una funcin
de energa, cero en el equilibrio, definida positiva por todas partes tambin, y
continuamente decreciente cuado se aproxima al equilibrio. Debe notarse que

la derivada V [x] es entendida como la diferencial total a lo argo de la curva

solucin de x = f (x):
d
V [x] = V x (129)
x dt

= V f (x)
x

= V f1 + V f2 + + V fn
x1 x2 xn
160 APNDICES
el mtodo tiene varias ventajas:

responde a las preguntas de estabilidad de sistemas no lineales,

pude fcilmente tratar sistemas variantes en el tiempo x = f (x, t),
puede determinar la estabilidad asinttica, as como tambin estabilidad
sencilla,
pude determinar la regin de estabilidad asinttica o el dominio de atrac-
cin de un equilibrio. La prueba del mtodo directo de Lyapunov se pre-
senta en el apndice 6
La principal desventaja es que no existe una forma sistemtica para obtener
la Funcin de Lyapunov, esto es ms un arte que ciencia.
.9.8. Sistemas autnomos
Para el caso de sistemas autnomos, el teorema de estabilidad de Lyapunov

puede ser probada como sigue:
Teorema 1(Estabilidad de Lyapunov de sistemas autnomos). Para x = 0
es un punto de equilibrio para un sistema descrito por:

x = f (x) (130)
donde f : U <n es localmente Lipschitz y U <n un dominio que contiene
el origen. V : U < es una funcin diferenciable continua y definida positiva
en U.

1. Si V [x] = [V /x] f es semidefinida negativa, entonces x = 0 es punto de
equilibrio estable.

2. Si V [x] = [V /x] f es definida negativa, entonces x = 0 es un punto de
equilibrio asimtoticamente estable.
En ambos casos V [x] es llamada una Funcin de Lyapunov. Adems,
si las condiciones se mantienen para toda x <n y kxk implica que
V [x] , entonces x = 0 es globalmente estable en el caso 1 y globalmente
asintoticamente estable en el caso 2.
Pero, siempre es posible encontrar una Funcin de Lyapunov para un
sistema lineal de la forma:

x = Ax (131)
Seleccinando la Funcin de Lyapunov de forma cuadrtica:
V [x] = xT P x
= (Ax)T P x + xT P Ax
= xT AT P x + xT P Ax (132)
= xT (AT P + P A)x
= xT Qx
Con
AT P + P A + Q = 0 (133)
Es la ecuacin matricial de Lyapunov, si Q es una matriz definida positiva,
entonces el sistema es asimptoticamente estable.
El criterio para el anlisis de estabilidad para una funcin V [x] es el criterio
de estabilidad de Lyaponov.
Una matriz A es una matriz estable para todos los eigenvalores de A, si
y solo si para cualquier matriz (simtrica) semidefinida positiva Q existe una
matriz (simtrica) definida positiva P que satisface
AT P + P A = Q (134)
162 APNDICES
Bibliografa
[1] B. McNeil and L. Harvey, Fermentation a Practical Approach. IRL at

Press, 1990.
[2] N. G. McDue, Biorreactor Desing. Butterworth-Heinemann, 1991.
[3] J. I. J. P. I.J. Dunn, E. Heinzle, Biological Reaction Engineering. VCH

Verlagsgesellscahft1992, 1992.
[4] W. L. Luyben, Process Modeling, Simulation and Control for Chemical

Engineers. McGraw-Hill, 1990.
[5] J. C. M. Juan A. Asenjo, Biorreactor System Desing. Mercel Dekker, Inc.,

1995.
[6] C. O. M. T. A.I Galaction, D. Cascaval, Prediction of oxygen mass transfer

coecients in stirred bioreactors for bacteria, yeasts and fungus broths,
Biochemical Engineering, vol. 20, pp. 8594, 2004.
[7] A. T. R.I. Carbajal, On the applicability of the dynamic pressure step

method for kla determination in stirred newtonian and non-newtonian
fluids, culture media and fermentation broths, Biochemical Engineering,
vol. 18, pp. 185192, 2004.
[8] A. Z. Dimiter Hadjiev, Nour Eddine Sabiri, Mixing time in bioreactors

under aerated conditions, Biochemical Engineering, vol. 27, pp. 323330,
2006.
[9] O. T. R. Alvaro R. Lara, Enrique Galindo and L. A. Palomares, Living

with heterogenities in bioreactors, Molecular Biotechnology, pp. 355382,
2006.
[10] K. S. Qiang Hua, Eect of dissolved oxygen concentration on the intracel-

lular flux distribution for pyruvate fermentation, Biotechnology, vol. 68,
pp. 135147, 1999.
[11] M. T. H. A. H.M. Yao, Y.C. Tian, Variations and modelling of oxygen

demand in amino acid production, Chemical Engineering and Processing,
vol. 40, pp. 401409, 2001.
163
164 BIBLIOGRAFA
[12] M. A. C. O. Q. A. N. P. J. Wilson B. Aguiar Jr., Lus F.F. Faria, Growth

model and prediction of oxygen transfer-rate for xylitol production from
d-xylose by c. guilliermondii, Biochemical Engineering, vol. 12, pp. 4959,
2002.
[13] E. G. O. T. R. Antonio de Len, Vanessa Hernndez, Eects of dissolved

oxygen tension on the production of recombinant penicillin acylase in es-
cherichia coli, ENZYME and MICROBIAL TECHNOLOGY, vol. 33, pp.
689697, 2003.
[14] M. Sarrafzadeh and J.avarro, The eect of oxigen on the sporulation, -

endotoxin synthesis and toxicity of bacillus thuringiensis h14, Microbiology
& Biotechnology, vol. 22, pp. 305310, 2006.
[15] C. B. P. Prasertsan, Eect of aeration and agitation rates and scale-up

on oxygen transfer coecient, kla in exopolysaccharide production from
enterobacter cloacae wd7, Carbohydrate Polymers, vol. 66, pp. 216228,
2006.
[16] A. J. D. Jennifer V. Littlejohns, Oxigen transfer in a gas-liquid system

containing solids of varying oxygen anity, Chemical Engineering, pp.
18, 2006.
[17] C. P. A.-P. Zeng, T.-G-Byun and W.-D. Deckwer, Use of respiratory quo-
tient as a control parameter for optimum oxygen supply and scale-up of
2,3-butanediol production under microaerobic conditions, Biotechnology
and Bioengineering, vol. 44, pp. 11071114, 1994.
[18] T. M. M. Fujasov, V. Linek, Mass transfer correlations for multiple-

impeller gas-liquid contactors. analysis of the eect of axial dispersion in gas
and liquid phases on "local"kla values measured by the dynamic pressure
method in individual stages of the vessel, Chemical Engineering Science,
vol. 62, pp. 16501669, 2007.
[19] B. I. M. Romain Lemoine, An algorithm for predicting the hydrodynamic

and mass transfer parameter in agitated reactors, Chemical Engineering,
vol. 114, pp. 931, 2005.
[20] A. B. P. Meenal S. Puthli, Virendra K. Rathod, Gas-liquid mass trans-

fer studies whith triple impeller system on a laboratory scale bioreactor,
Biochemical Engineering, vol. 23, pp. 2530, 2005.
[21] M. A. G. Francisco J. Montes, Jacinto Cataln, Prediction of kla in yeast

broths, Process Biochemistry, vol. 34, pp. 549555, 1999.
[22] I. O. A. M. B. M. J. S. P. J. F. S. J.L. Casas Lpez, E.M. Rodrguez Por-

cel and Y. Chisti, Simultaneous determination of oxygen consumption
rate and volumetric oxygen transfer coefificient in pneumatically agitated
bioreactors, American Chemical Society, vol. 45, pp. 11671171, 2006.
BIBLIOGRAFA 165
[23] N. F. B. S. D. D. D. B. L.Bodizs, M. Titica, Oxygen control for an industri-

al pilot-scale fed-batch filamentous fungal fermentation, Process Control,
vol. 17, pp. 595606, 2007.
[24] E. G. C. F. Garca-Ochoa, Estimation of oxygen mass transfer coecient

in stirred tank reactors using artificial neural networks, Enzyme and Mi-
crobial Technology, vol. 28, pp. 560569, 2001.
[25] S. G. Salas, Medicin de los parmetros del coefieciente volumetrico de

transferencia de oxgeno, Masters thesis, CINVESTAV-IPN, 2006.
[26] E. S. Poznyak, A.S. and W. Yu, Dynamic Neural Networks for Nonlinear
Control: Identification, States Estimation and Trajectory Tracking, N. Jer-
sey, Ed. World Scientific, 2001.
[27] C. K. A. Delgado, Dynamic recurrent neural network for system identifica-

tion and control, IEEE, Ed. IEEE, 1995.
[28] R.. C. b. y. a. J. Matich, Conceptos bsicos y aplicaciones, Facultad

Reginal Rosario Departamento de Ingeniera qumica, Grupo de investi-
gacin a la Ingeniera Qumica, vol. 1, pp. 630, 2001.
[29] S. P. K., Foundations of neural networks en Neural Netwoks Theory, Tec-

nology and A. I. T. U. Series, Eds. IEEE, 1996.
[30] H. S., Neural networks a comprehensive foundations. Prentice-Hall, 1999.
[31] R. R., Neural Networks a systematic Introduction, EE.UU, Ed. Springer

- Verlag, 1996.
[32] T. Scheter, Advances in biochemical engineerring biotechnology, Bional-

ysis and Biosensors for Bioprocess Monitoring, vol. 66, pp. 336.
[33] X. W. Fei Shang, Shaohong Wen and T. Tan, High-cell-density fermen-

tation for ergosterol production by saccharomyces cerevisiae, The Society
for Biotechnology, vol. 101, pp. 3841, 2006.
[34] G. P. B. Ilse Y. Smets and J. F. V. Impe, Feedback stabilization of fed-

batch bioreactors: Non-monotonic growth kinetics, Biotechnology Prog.,
vol. 18, pp. 11161125, 2008.
[35] R. S. A. L. Stefan Gnoth, Marco Jenszch, Control of cultivation processes

for recombinant protein production: a review, Springer-Verlag, 2007.
[36] A. V. W. F. Renard, Robust adaptive control of yeast fed-batch cultures,

Computers & Chemical Engineering, pp. 111, 2007.
[37] G. L. Andreas Rudolf and G. Lidn, Controlled pilot development unit-

scale fed-batch cultivation of yeast on spruce hydrolysates, Biotechnology
Prog, vol. 23, pp. 351358, 2007.
166 BIBLIOGRAFA
[38] E. J. e. a. Ilse Y. Smets, Johan E. Claes, Optimal adaptive contro of

(bio)chemical reactors: past, presente and future, PROCESS CONTROL,
vol. 14, pp. 795805, 2004.
[39] G. Ellis, Observers in control Systems. ACADEMIC PRESS, 2002.
[40] D. Dochain, State and parameter estimation in chemical and biochemical
processes: a tutorial, Process Control, vol. 13, pp. 801818, 2003.
[41] R. M. F. Adilson Jos de Assis, Soft sensors development for on-line biore-
actor state estimation, Computers & Chemical Engineering, vol. 24, pp.
10991103, 2000.
[42] M. G. Frdric Sauvage and D. Dochain, Desing of a nonlinear finite-time
converging observer for a class of nonlinear systems, Control Science and
Engineering, pp. 19, 2007.
[43] A. G. Gonzlez, Observadores con proyeccin: desarrollo, anlisis e imple-
mentacin, Masters thesis, CINVESTAV-IPN, 2006.
[44] A. V. W. Ph. Bogaerts, Parameter identification for state estimation-
application to bioprocess software sensors, Chemical Engineering Science,
vol. 59, pp. 24652476, 2004.
[45] C. G. Oscar A.Z. Sotomayor, Song Won Park, Software sensor for on-
line estimation of the microbial activity in activated sludge system, ISA
TRANSACTIONS, vol. 41, pp. 127143, 2002.
[46] E. F. D. D. M. Perrier, S. Feyo de Azevedo, Tuning of observer-base esti-
mators: theory and applications to the on-line estimation of kinetic para-
meters, vol. 8, pp. 377388, 2001.
[47] G. v. S. Zita I.T.A. Soons, Online automatic tuning and control for fed-
bach cultivation, Springer, 2007.
[48] V. L. Lorenzo Cazzador, Nonlinear estimation of specific growth rate
for aerobic fermentation processes, BIOSCIENCE AND BIOENGINEER-
ING, vol. 47, pp. 626632, 1995.
[49] F. d. S. O. Lucia. Quintero. M, Observadores de estados de un proceso de
fermentacin alcohlica en continuo mediante mediante filtros de kalman
extendido, 2005.
[50] C. Santana, Avances en el diagnstico de la sepsis neonatal, actitud
Diagnstico-Terapeutica, vol. 28, pp. 9092, 2004.
[51] A. E. M. Lpez and S. Alfaro, Avances en inmunoterapia celura contra el
melanoma maligno, Med. Chile, vol. 132, pp. 11151126, 2004.
[52] J. C. A.I. Cabrera, J.S. Aranda, Estimating the trehalose cytoplasmic
content during a bakers yeast production process, IFAC 2007, 2007.
BIBLIOGRAFA 167
[53] C. A. y. C. I. Miranda Hernndez, R. F., Hapatitis c dynamics estimation

process by diferential neural netwoks. Wold Congress On Computational
Intelligence., 2006.
[54] , Hapatitis c viral load control applying hamilton jacobi and sliding
mode y techniques. Reserch In Cumputer Science-Neural Netwoks and
Associative Memories, pp. 2535, 2006.
[55] A. P. I. Chairez and T. Poznyak, Bounded weights trajetories for neural
network state estimation, Research in Computing Science, vol. 21, pp.
1324, 2006.
[56] O. T. R. E. G. Rubn Priego-Jimenz, Carlos Pea, Specific growth rate
determines the molecular mass of the alginate produce by azotobacter
vinelandii, Biochemical Engineering, vol. 25, pp. 187193, 2005.
[57] D. Dochain, On-line parameter estimation adaptive state estimation and
adaptive control of fermentation process, Masters thesis, UNIVERSITI
CATHOLIQUE DE LOUVAIN, 1986.
[58] D. B. B. Srinivasan, Controllability and stability of repetitive batch
processes, PROCESS CONTROL, vol. 17, pp. 285295, 2007.
[59] F. M. Bernard Atkinson, BIOCHEMICAL INGINEERING AND
BIOTECHNOLOGY HANDBOOK. M-STOCTON PRESS, 1987.
[60] J. S. A. Barradas, Producction de biomasse levurienne: Influence du
procd sur les potentialits fermentaires des levures, Masters the-
sis, DOCTEUR DE LINSTITUT NATIONAL POLYTECHNIQUE DE
TOULOUSE, 1999.

Disenodeunsensor PDF

Cargado por

Copyright:

Formatos disponibles

Disenodeunsensor PDF

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

Disenodeunsensor PDF

Cargado por

Copyright:

Formatos disponibles

INSTITUTO POLITCNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA DE

MAESTRO EN CIENCIAS EN BIOPROCESOS

Diseo de un sensor suave para

Mxico, Distrito Federal Septiembre 2008

0.3. Dedicatorias y Agradecimientos

A mi hermano Jos Juan Pea Caballero y su familia Teresa, Jenny, Fanny

0.1. Indice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1. Anlisis del sistema: Biorreactor 1

1.8. Control de oxgeno en los procesos de fermentacin . . . . . . . . 17

4. Diseo del Estimador para el Prametro kL at 37

4.6. Estimacin de parmetros: algoritmos . . . . . . . . . . . . . . . 50

5.6.30. Diseo de los parmetros C1 y C2 : Diseo B .

0.1. Indice de Figuras

5.9.2. Velocidad especfica de crecimiento experimental estima-

5.9.7. Oxgeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

5.9.8. Evolucin de los pesos . . . . . . . . . . . . . . . . . . . . 128

6. Conclusiones Generales 141

.9.1. Teora de estabilidad de Lyapunov . . . . . . . . . . . . . 157

.9.7. Mtodo directo de Lyapunov . . . . . . . . . . . . . . . . 159

5-13: CDA. Evolucin de bExp

5-46:CDA-1. Evolucin de X btExp con C1 = 7,7 Lh1 g 1 y C2 = 14,8225

5-79: CDA-IBT.Estados experimentales ( XtExp , StExp , VtExp ) identificados

0.2. Indice de Tablas

0.6. Objetivo General

0.7. Objetivos particulares

0.8. Contenido de la Tesis

Anlisis del sistema:

volmenes de reaccin. Para lo cual se hace necesario de las siguientes conside

1. El volumen de la mezcla de reaccin se considera completamente mezclado,

2. La corriente de alimentacin es inmediatamente mezclada dentro del volu-

3. La temperatura y la composicin de la mezcla de reaccin (clulas y medio

4. La corriente de producto tiene la misma composicin como en la mezcla

1.3. Modelo del bioreactor tanque agitado con-

El biorreactor puede ser operado ptimamente en un nmero de diferentes

1.4. Anlisis del biorreactor

Para el anlisis del sistema (formulacin de las ecuaciones de balance) se

Figura 1.1: Figura 1-2: Principales corrientes consideradas para el anlisis de un

V : Volumen de la mezcla de reaccin, L.

La formulacin de las ecuaciones de balance para el biorreactor, estn rela-

Y para un balance en estado inestable se tiene

Aqu, el trmino de acumulacin representa la velocidad de cambio en la

1.4.1. Balance general de masa

incremento de concentracin celular. Para cultivos que obedecen la ley de Mo-

1.4.5. Reactor lote

La velocidad de incremento celular es

Consumo de substrato esta dado por

La velocidad de produccin de producto

Donde B es la velocidad especifica de aparicin del producto no asociada al creci-

1.4.6. Reactor lote alimentado

intervalos. El modelo desarrollado aqu es para un cultivo en lote alimentado con

Control del proceso

de control diseado) las relaciones pueden ser derivadas de la ecuacin (1.18)

1.4.7. Reactor continuo

Un RTAC continuo basado en la cintica de Monod es

1.5. Transferencia de Masa gas-Lquido

de kL a. Un estudio similar al anterior fue desarrollado en [11] para Brevibacteria

1. Geometra y condiciones de operacin del fermentador.

2. Tipo, concentracin y morfologa del microorganismo.