TRABAJO DE FIN DE MASTER - UVaDOC

UNIVERSIDAD DE VALLADOLID
MASTER EN INVESTIGACIÓN DE SISTEMA Y PROCESOS INDUSTRIALES
TRABAJO DE FIN DE MASTER
Tutor:
Alumna:
Dr. Cesar de Prada
Ing. Lessa Victoria Henao
Curso 2013-2014
UNIVERSIDAD DE VALLADOLID
MASTER EN INVESTIGACIÓN DE SISTEMA Y PROCESOS INDUSTRIALES
TRABAJO DE FIN DE MASTER
“Modelado matemático y simulación para mejorar la
producción de butanol en la fermentación ABE”
Tutor:
Alumna:
Dr. Cesar de Prada
Ing. Lessa Victoria Henao
Curso 2013-2014
Dedico este trabajo de fin de Master a la memoria de mis PADRES
María Celina Siso y Jorge Enrique Henao....
Quienes con su apoyo, tanto espiritual como físico,
Me dieron la fuerza para realizar este Master
tan lejos de casa…
Lessa Henao
i
RESUMEN
La fermentación ABE es un proceso biocatalítico que utiliza un microorganismo
para procesar los hidratos de carbono y producir solventes como: la acetona,
butanol y etanol. Tanto el Clostridium acetobutylicum como el Clostridium
beijerinckii han demostrado ser bacterias útiles para la fermentación ABE y con
ellas se han realizado esfuerzos para mejorar su producción, empleando
diversos sustratos. Para ello se planeó obtener un modelo matemático de un
proceso de fermentación ABE que actualmente se trabaja en la UVa, para
simular y optimizar el proceso planteado. El modelo matemático del sistema por
vía macromolecular (Modelo I) propuesto, no se ajusta al sistema propuesto
debido a que no considera la inhibición del sustrato en la concentración de los
productos, ni tampoco la inhibición que produce la concentración de butanol en
los otros productos. Por tanto, se utilizó un segundo modelo (Modelo II) basado
en el los trabajos de Shinto y otros en 2007, que desarrollaron con éxito el
modelo cinético del comportamiento dinámico de los metabolitos (vía
metabólica). Se estimaron los parámetros del Modelo II al sistema propuesto,
optimizando el proceso de fermentación, y sujeto a ser usado para
experimentos fermentativo ABE que maneje como bacteria el c. acetobutylicum
y como sustrato la glucosa. Mediante la introducción de inhibición por sustrato,
la inhibición del producto de butanol, la activación de butirato y teniendo en
cuenta el cese de reacciones metabólicas en el caso de insuficiencia de
energía después de agotamiento de la glucosa, del Modelo II se obtiene un
resultado de minimización del error entre los datos experimentales y los
calculados en el simulador. Después se realiza una optimización de la
producción y el mejor valor de la concentración de butanol que se puede
obtener es de 16 g/L para la 60 g/L de concentración inicial de glucosa.
Palabras clave: fermentación ABE, validación, Ecosimpro, Clostridium
acetobutylicum, vía metabólica.
ii
ÍNDICE GENERAL
ÍNDICE DE FIGURAS ........................................................................................ iv
ÍNDICES DE TABLAS ........................................................................................ v
ÍNDICE DE GRAFICOS ..................................................................................... vi
NOMENCLATURA .............................................................................................. i
INTRODUCCIÓN ............................................................................................... 1
CAPÍTULO I. DESCRIPCIÓN DEL PROCESO .................................................. 3
1.1.
La fermentación ABE ............................................................................ 3
1.2.
Microorganismo para la fermentación ABE ........................................... 3
1.3.
Vía metabólica de la fermentación ABE ................................................ 5
1.4.
Descripción del proceso de fermentación ABE en la investigación ....... 6
CAPITULO II. MODELADO Y SIMULACIÓN ..................................................... 9
2.1.
Modelación matemática de un proceso ................................................. 9
2.1.1. Modelo matemático del sistema por vía macromolecular ............. 11
2.1.2. Modelo matemático del sistema por vía metabólica ..................... 12
2.2.
Optimización del proceso de fermentación ......................................... 18
2.1.2. Función objetivo de la optimización .............................................. 18
2.1.3. Uso de Ecosimpro para la optimización........................................ 19
CAPITULO III. ESTIMACIÓN DE PARAMETROS USANDO OPTIMIZACIÓN 23
3.1.
Análisis de sensibilidad ....................................................................... 23
3.2.
Simulación de la fermentación ABE con el Modelo I ........................... 24
3.3.
Simulación de la fermentación ABE con el Modelo II .......................... 30
CAPITULO IV. VALIDACIÓN DE LOS RESULTADOS .................................... 36
CAPITULO V. OPTIMIZACIÓN DE LA PRODUCCIÓN DE BUTANOL ............ 39
CAPITULO VI. CONCLUSIONES .................................................................... 40
CAPÍTULO VI. REFERENCIAS BIBLIOGRÁFICAS ......................................... 41
CAPÍTULO VII. ANEXOS ................................................................................. 43
iii
ÍNDICE DE FIGURAS
Figura 1. Ruta metabólica en Clostridium acetobutylicum ATCC824T. Las
enzimas involucradas se abrevian como PTA: Fosfotransacetilasa; AK:
Acetatokinasa; CoAT: CoA transferasa; PTB: Fosfotransbutirilasa; BK: Butirato
kinasa; BADH: Butiraldehido deshidrogenada; BDH: Butanol Deshidrogenada
(Fuente: Jones y Woods,1986). ......................................................................... 5
Figura 2. Esquema del proceso de fermentación en el Laboratorio. ................. 7
Figura 3. Imagen del equipo de fermentación ABE automatizado. .................... 7
Figura 4. Descripción de las fases de la reacción en la fermentación en la
curva de variación de pH. ................................................................................... 8
Figura 5. Representación del reactor por carga con las variables involucradas
en la fermentación ABE. ................................................................................... 11
Figura 6. Muestra del cálculo discreto que se le realiza la función objetivo en
función al tiempo de muestreo experimental. ................................................... 21
Figura 7. Ilustración de la herramienta de optimización en EcosimPro. .......... 21
Figura 8. Ilustración del método de optimización utilizado en EcosimPro. ...... 22
Figura 9. Datos experimentales de la glucosa a 30 g/L utilizando como bacteria
el c. acetobutylicum. ......................................................................................... 25
Figura 10. Datos experimentales de la glucosa a 60 g/L utilizando como
bacteria el c. acetobutylicum. ........................................................................... 27
Figura 11. Imagen del código utilizado en Ecosimpro para optimizar el proceso
con el modelo matemático por la vía macromolecular. .................................... 43
Figura 12. Imagen del código utilizado en Ecosimpro para optimizar el proceso
con el modelo matemático por la vía metabólica.............................................. 44
iv
ÍNDICES DE TABLAS
Tabla 1. Tipos de sustratos utilizados experimental con C. beijerinckii y con C.
acetobutylicum. .................................................................................................. 8
Tabla 2. Resultados de los parámetros cinéticos de los datos experimentales
de 70.6mM de glucosa inicial, por Shinto y otros (2007). ................................. 18
Tabla 3. Valores de la sensibilidad de los parámetros del Modelo II. .............. 31
Tabla 4. Parámetros más relevantes del análisis de sensibilidad al Modelo II. 32
Tabla 5. Resultado de las estimaciones de los parámetros del Modelo II. ...... 34
Tabla 6. Resultado de las diferentes funciones objetivo (Jcosto) de las
variables calculadas respecto a los datos experimentales, utilizando para ello el
Modelo II con los parámetros estimados. ......................................................... 36
Tabla 7. Resultado de la optimización de la concentración final de butanol (Pb)
para diferentes concentraciones iniciales de sustrato (Si). .............................. 39
v
ÍNDICE DE GRAFICOS
Gráfica 1. Resultado de la optimización de parámetros con la glucosa a 30 g/L
utilizando c. acetobutylicum con el modelo 1. .................................................. 25
Gráfica 2. Comparación de las variables calculadas con los datos
experimentales de la glucosa a 30 g/L utilizando c. acetobutylicum con el
modelo 1........................................................................................................... 26
Gráfica 3. Resultado de la optimización de parámetros con la glucosa a 60 g/L
utilizando c. acetobutylicum con el modelo 1. .................................................. 26
Gráfica 4. Comparación de las variables calculadas con los datos
experimentales de la glucosa a 60 g/L utilizando c. acetobutylicum con el
modelo 1........................................................................................................... 27
Gráfica 5. Resultado de la optimización de parámetros con la glucosa a 80 g/L
utilizando c. acetobutylicum con el modelo 1. .................................................. 28
Gráfica 6. Comparación de las variables calculadas con los datos
experimentales de la glucosa a 80 g/L utilizando c. acetobutylicum con el
modelo 1........................................................................................................... 28
Gráfica 7. Variación de las variables de estado más importantes calculadas
con el Modelo II utilizando los resultados de los parámetros de Shinto y otros
en el 2007, y comparadas con los datos experimentales de la glucosa con
concentración inicial de 80 g/L (c. acetobutylicum). S=sustrato, X=biomasa,
Pa=acetona, Pb=butanol, Pe=etanol. ............................................................... 30
Gráfica 8. Sensibilidad de algunas variables de estado respecto a
modificaciones de la biomasa en el Modelo II. ................................................. 33
Gráfica 9. Sensibilidad de algunas variables de estado respecto a
modificaciones del sustrato en el Modelo II. ..................................................... 33
Gráfica 10. Comparación de las concentraciones calculadas con los
parámetros estimados del Modelo II a una concentración inicial de 80 g/L de
vi
Glucosa (c. acetobutylicum) y los datos experimentales a la misma
concentración. .................................................................................................. 35
Gráfica 11. Comparación de las concentraciones calculadas con los
parámetros estimados del Modelo II a una concentración inicial de 30 g/L de
Glucosa (c. acetobutylicum) y los datos experimentales a la misma
concentración. .................................................................................................. 37
Gráfica 12. Comparación de las concentraciones calculadas con los
parámetros estimados del Modelo II a una concentración inicial de 60 g/L de
Glucosa (c. acetobutylicum) y los datos experimentales a la misma
concentración. .................................................................................................. 38
vii
NOMENCLATURA
Símbolos
Definición
Unidades
Griegos
µ
Velocidad especifica de crecimiento
h-1
µmax
velocidad máxima de crecimiento microbiano
h-1
Símbolos
F
Definición
Unidades
Factor de activación (on-off) de las ecuaciones
Adim
cinéticas
Jcosto
Función objetivo del proceso
Kaj
Constante de activación, donde j es el número
Adim
g/L
de la reacción correspondiente.
Kd
Velocidad especifica de muerte
h-1
Kd
Constante de muerte de lo microorganismo
g/L
Kiij
Constante de inhibición, donde j es el número
g/L
de la reacción correspondiente.
Kisj
Constante de inhibición por el sustrato, donde j
g/L
es el número de la reacción correspondiente.
Kj
Constante de velocidad de la reacción, donde j
g/L
es el número de la reacción correspondiente.
Km
constante cinética de velocidad correspondiente
g/L
al modelo
Kmj
Concentración metabólica, donde j es el número
g/L
de la reacción correspondiente.
m
Masa total del tanque
g
me
Masa total a la entrada
g
ms
Masa total a la salida
g
P
Concentración de producto
g/L
Pa
Concentración de producto acetona
g/L
Pb
Concentración de producto butanol
g/L
Pe
Concentración de producto etanol
g/L
i
NOMEMCLATURA (continuación)
Símbolos
Definición
Unidades
Paexp
Concentración de producto acetona experimental
g/L
Pbexp
Concentración de producto butanol experimental
g/L
Peexp
Concentración de producto etanol experimental
g/L
S
Concentración de sustrato
g/L
Sexp
Concentración de sustrato experimental
g/L
Si
Concentración inicial de sustrato
g/L
V
Volumen de operación de la fermentación
Vmaxj
Velocidad máxima de reacción, donde j es el
L
h-1
número de la reacción correspondiente.
X
Concentración de biomasa
g/L
Xexp
Concentración de biomasa experimental
g/L
Xe
Composición del inoculo en la entrada
g/L
Xi
Concentración inicial de biomasa
g/L
Xs
Composición de la bacteria a la salida
g/L
yp/x
Rendimiento
ypxa
ypxb
ypxe
del
producto
por
biomasa
consumida
g de biomasa
Rendimiento del producto-acetona por biomasa
g de Acetona/
consumida
g de biomasa
Rendimiento del producto-butanol por biomasa
g de butanol/
consumida
g de biomasa
Rendimiento del producto-etanol por biomasa
consumida
yx/s
g de producto/
Rendimiento
g de etanol/
g de biomasa
de
la
biomasa
consumido
por
sustrato
g de producto/
g de sustrato
ii
INTRODUCCIÓN
A comienzos del siglo pasado, la fermentación ABE (acetona-butanol-etanol)
fue uno de los primeros procesos biológicos que produjo solventes, pero los
procesos
basados
en
petróleo
reemplazaron
la
fermentación
con
microorganismos.
En los últimos años, ha resurgido el interés en la producción fermentativa ABE
como una alternativa al uso de combustibles fósiles, en donde varios
investigadores han tratado de desarrollar cepas hiperproductoras de butanol,
apoyándose con las herramientas de biología molecular, ingeniería de vías
metabólicas, así como en la optimización del proceso de fermentación
mediante la producción y extracción simultánea de butanol.
Tanto Clostridium acetobutylicum como Clostridium beijerinckii han demostrado
ser bacterias útiles en fermentación ABE y con ellas se han realizado esfuerzos
para mejorar su producción, empleando diversos sustratos.
Actualmente, un grupo de investigadores de la Universidad de Valladolid,
trabajan con el tema de la fermentación ABE, en donde estudian diferentes
sustratos y condiciones de operación para determinar la mayor eficiencia de la
producción de butanol.
Debido al tiempo que conlleva cada prueba y el costo asociado de insumos, se
plantea hacer uso de la tecnología existente, para simular el proceso de
fermentación, con el fin de minimizar los tiempos de las pruebas y predecir una
respuesta cercana a los resultados experimentalmente deseados.
Los modelos matemáticos permiten simular la dinámica de fermentación ABE,
lo que pueden usarse para predecir algunas variables durante la fermentación,
como la concentración de los productos final, sustratos y sus rendimientos. Un
buen modelo debe incluir los componentes más importantes en la
fermentación, entre ellos: sustrato, biomasa y producto, lo cual proveerán de
bases sólidas para realizar la optimización del proceso.
Para simular el proceso de fermentación, se proponen validar los modelos
dinámicos de fermentación a escala de laboratorio: un modelo basado en el
1
conocimiento balance de masa y un modelo empírico basado en los datos
experimentales; un segundo modelo que por el análisis de flujo metabólico
(AMF), que evalúa el papel de los pasos individuales en una red por la vía
metabólica.
Por tanto, para este Trabajo de Fin de Master (TFM), se planea primero
obtener un modelo matemático del proceso de fermentación ABE, para obtener
una simulación dinámica utilizando el programa de Ecosimpro en la cual los
investigadores (usuarios) puedan trabajar para estimar los resultados deseados
en la fermentación para, posteriormente, realizar la optimización del proceso,
Los resultados experimentales obtenidos de la fermentación ABE, previamente
a este trabajo, establecen el punto de partida para realizar experimentos
posteriores con el simulador, que permitirán validar las curvas predictivas
obtenidas y de este modo, optimizar el proceso para diferentes variables de
entrada, lo cual contribuirá a alcanzar una mayor eficiencia en el proceso
biotecnológico para la producción de butanol.
El objetivo de este TFM es “Modelo matemático y simulación para mejorar la
producción de butanol en la fermentación ABE”. Entre los objetivos específicos
se encuentra los siguientes puntos:
1. Construir e implementar un modelo matemático del sistema de fermentación
ABE a simular para posteriormente usarlo en la optimización.
2. Optimizar utilizando Ecosimpro y los datos experimentales del sistema, para
estimar los parámetros de los modelos matemáticos planteados para los
diferentes casos experimentales.
3. Validar los parámetros estimados del modelo matemático planteado.
4. Determinar la concentración final de butanol más óptima del sistema
propuesto para una determinada concentración inicial de sustrato.
2
CAPÍTULO I. DESCRIPCIÓN DEL PROCESO
A continuación se describe de forma general la teoría del proceso de
fermentación ABE y la descripción del proceso experimental que se lleva a
cabo.
1.1.
La fermentación ABE
La fermentación acetona-butanol-etanol (ABE) es una de las fermentaciones
más antiguas en la historia humana que se remonta a 1861 (Jones y Woods,
1986). La escasez prevista, junto con un aumento de la demanda y
posteriormente, los crecientes precios de los combustibles fósiles proporcionan
una buena y necesaria plataforma para el desarrollo de bio-productos químicos
alternativos, algunos de los cuales pueden ser utilizados para las fuentes de
energía renovables, como butanol (Setlhaku y otros, 2012).
La fermentación ABE (Acetona-Butanol-Etanol) es un proceso biocatalítico que
utiliza un microorganismo para procesar los hidratos de carbono (fructosa,
sacarosa, glucosa, etc.) y generar productos finales de solventes como la
acetona, butanol y etanol.
Este proceso de fermentación se puede llevar a cabo en reactores semicontinuos o por cargas (batch), pero esto dependerá del proceso que se desea
llevar a cabo. En la práctica, esto significa que los tiempos de fermentación
pueden variar considerablemente entre los tipos de sustratos y sus condiciones
de operación.
La temperatura de fermentación, así como el tipo de microorganismo utilizado,
son de gran relevancia al reproducir o alcanzar un alto rendimiento del producto
deseado, por lo cual, en la producción es común usar refrigeración para
controlar la temperatura en el proceso de fermentación.
1.2.
Microorganismo para la fermentación ABE
La producción biológica del butanol ocurre naturalmente en algunas especies
de microorganismos, como las bacterias Butyribacterium methylotrophicum,
Clostridium butyricum o la arquea Hyperthermus butylicus. Sin embargo, el
género más estudiado es el de Clostridium ya que son capaces de convertir
3
diversas fuentes de carbono, como la glucosa, galactosa, celobiosa, manosa,
xilosa y arabinosa, en combustibles y químicos como el butanol, acetona y
etanol (Wang y Chen, 2010).
El proceso de fermentación ABE, utilizando Clostridium acetobutylicum y
Clostridium beijerinckii, bacterias Clostridium principalmente, han sido un gran
interés en la investigación debido a la posibilidad de butanol. Hasta la fecha, la
producción de butanol fermentativa no es muy económica debido a los altos
costos del sustrato, el metabolismo de los clostridios complejo, la producción
ineficaz proceso y la energía intensiva de procesamiento aguas abajo. El
desafío del sustrato puede abordarse mediante la investigación por sustratos
no alimenticios, como por ejemplo lignocelulósica biomasa, desechos agrícolas
y municipales (Setlhaku y otros, 2012).
Adicionalmente, la bacteria C. beijerinckii presenta mayor potencial para la
producción industrial de solventes que C. acetobutylicum. Esto es debido a que
la primera puede fermentar un mayor tipo de azúcares y presenta un mayor
rango de pH óptimo para las fases de crecimiento y producción de solventes
(Setlhaku y otros, 2012).
Las mejoras y los avances tanto en el proceso la tecnología y el rendimiento
global de los microorganismos utilizado en la fermentación ABE podría resultar
una marcada mejora de la competitividad económica en la producción de
disolventes (Jones y Woods, 1986).
Los avances actuales en la tecnología del proceso se realizan para mejorar la
fermentación, por lo que se destacan: (i) mejoras en el procesamiento de
lignocelulosa y otras materias primas para producir fermentable azúcares; (ii) la
mejora y optimización de control del proceso mediante la aplicación de
monitoreo en línea y el uso de microprocesadores; (iii) el desarrollo de nuevos
sistemas para la producción continua de disolventes; (iv) el desarrollo de
métodos alternativos barato y eficaz de recuperación de disolventes; y (v)
mejora de la utilización de subproductos. El interés en la renovación y las
actividades de investigación es fundamental para la producción de la acetona y
el butanol, para ser frente en la época de disminución las reservas de petróleo
(Jones y Woods, 1986).
4
La variedad de cadenas de microorganismos modificadas genéticamente para
la fermentación ABE revela la optimización del medio de cultivo que mejor
favorezca el crecimiento de la bacteria evitándose con esto, la inhibición tanto
por sustrato (usualmente glucosa) y por producto (butanol) en las fases
acidogénica y solvatogénica.
1.3.
Vía metabólica de la fermentación ABE
Durante la reacción de fermentación se presentan dos etapas importantes:
acidogénesis y solventogénesis. Una representación esquemática de las vías
metabólicas de Clostridium acetobutylicum ATCC824T por Jones y Woods
(1986) se resume en la Figura 1.
Figura 1. Ruta metabólica en Clostridium acetobutylicum ATCC824T. Las enzimas involucradas
se abrevian como PTA: Fosfotransacetilasa; AK: Acetatokinasa; CoAT: CoA transferasa; PTB:
Fosfotransbutirilasa; BK: Butirato kinasa; BADH: Butiraldehido deshidrogenada; BDH: Butanol
Deshidrogenada (Fuente: Jones y Woods,1986).
Típicamente, durante la acidogénesis, una célula crece exponencialmente, y se
produce
ácido
acético
y ácido
butírico
con
la formación de ATP.
Posteriormente, en la solventogénesis, el crecimiento de las células alcanza
una fase estacionaria; donde los ácidos orgánicos son reasimilados y se
produce los productos ABE: acetona, butanol y etanol. En el cultivo ABE existe
5
una inhibición por sustrato de la glucosa y de productos inhibición por butanol
(Jones y Woods, 1986; Soni et al, 1987); éstos conducen a la baja
productividad y el rendimiento de los disolventes. Por otro lado, Tashiro et al.
(2004) demostraron experimentalmente la aceleración de la producción de
butanol por la alimentación de butirato. Y tal como se describió, los clostridios
productoras de ABE poseen complicados funciones metabólicas.
1.4.
Descripción del proceso de fermentación ABE en la investigación
Actualmente, la fermentación ABE que se lleva a cabo por un grupo de trabajo
del Dpto.de IQ en la Universidad de Valladolid (UVa), tiene como objetivo
desarrollar un proceso eficiente, sostenible y económicamente viable para la
producción de butanol a partir de los carbohidratos contenidos en la melaza,
mediante fermentación anaerobia de los mismos con el fin último de producir
un biocombustible a partir de un subproducto y por tanto incrementar el
rendimiento, reduciendo costes de inversión y consumos, tanto de reactivos
como de servicios.
El proceso de fermentación ABE se realiza por carga y se trabaja con
diferentes sustratos como glucosa, sacarosa (proveniente de remolacha),
melaza o una mezcla de xilosa-glucosa, pero en general se utiliza las
siguientes condiciones independientes del tipo de sustrato en la investigación:
 Volumen de carga es de 1 L donde 0,9 L es medio (sustratos y otros) y 0,1L
del inoculo (bacteria).
 En cada experiencia trabajan con dos tipos de baterías individualmente: C.
beijerinckii y C. acetobutylicum.
 Agitación de 200 rpm y de forma anaeróbica.
 Control de temperatura en el fermentador, 35 °C para el C. beijerinckii y
para el C. acetobutylicum a 37°C.
 Control de pH a 4,5 para todas las experiencias con C. acetobutylicum.
El equipo fermentador que se utiliza es un reactor de mezclar completa,
transparente con una capacidad de 2 L para el medio, y el proceso
experimental presenta tres etapas experimentales (Figura 2). El paso inicial es
la adición de la carga: sustrato e inoculo, posteriormente, en el segundo paso,
6
se controla automáticamente el pH (si se requiere) y la temperatura durante la
fermentación, y finalmente, el tercer paso es el retiro del producto. Todo el
proceso tiene un tiempo estimado de 100-170 horas, dependiendo de la tipo y
concentración del sustrato.
Figura 2. Esquema del proceso de fermentación en el Laboratorio.
En la Figura 3, se observa el equipo de fermentación que se compone
principalmente por el reactor tubular (1), el sistema del controlador de pH y
temperatura (2) y el sistema computarizado (3) como recolector de datos.
2
3
1
Figura 3. Imagen del equipo de fermentación ABE automatizado.
7
Las fases de la fermentación ABE, tal como se describe en la Figura 2, es de
gran relevancia para el control y optimización de la fermentación. En el caso de
la primera fase no se tiene un control del pH por el crecimiento exponencial y
producción de ácido acético, butírico y láctico. Sin embargo, en la segunda
etapa se requiere un control del pH de 4.5 (para C. acetobutylicum), por ser
una fase estacionaria del cultivo bacteriano y la producción de acetona, butanol
y etanol en una proporción característica de 3:6:1.
Figura 4. Descripción de las fases de la reacción en la fermentación en la curva de variación
de pH.
Actualmente, el cultivo por carga experimental se realiza con diferentes
sustratos y concentraciones, en la siguiente tabla se muestran que tipo de
sustrato y sus concentraciones se trabajan actualmente en el estudio de la
fermentación ABE de la UVa:
Tabla 1. Tipos de sustratos utilizados experimental con C. beijerinckii y con C. acetobutylicum.
Sustratos
Glucosa
Sacarosa
GlucosaXilosa
Melaza
Microorganismo
C. acetobutylicum
C. beijerinckii
X
X
X
X
X
X
X
X
X
X
X
Concentración (g/L)
30
40
60
80
30
60
20
60
X
8
X
CAPITULO II. MODELADO Y SIMULACIÓN
Los avances de la computación han permitido el desarrollo de modelos
matemáticos cada vez más detallados y precisos que serán utilizados en el
diseño, optimización, control y/o simulación de procesos de una forma rápida y
económica. En el presente capítulo se describe los modelos matemáticos
empleados en la simulación, así como uso del programa Ecosimpro en la
optimización del proceso experimental.
2.1.
Modelación matemática de un proceso
Desde el punto de vista de ingeniería de procesos, los modelos matemáticos se
clasifican en tres grandes categorías (Ribas y otros, 2011).
 Modelos fenomenológicos o de caja blanca, modelo obtenido mediante un
estudio teórico del proceso; sus principios de formulación son las
ecuaciones de conservación (materia, energía y/o entropía), leyes
generales y ecuaciones constitutivas. El grado de complejidad del mismo es
función directa del grado de detalle utilizado y constituye el núcleo
fundamental de los modelos utilizados por los ingenieros.
 Modelos empíricos, se construyen mediante experimentación y observación,
haciendo luego uso de datos experimentales para ajustar los parámetros en
una estructura matemática dada.
 Modelos semifísicos o de caja gris, son una combinación de los dos tipos
anteriores, donde algunas características del proceso están descritas
mediante correlaciones empíricas particulares para la condición dada. Estos
modelos
se
emplean
fundamentalmente
cuando
el
conocimiento
fenomenológico resulta insuficiente para describir la situación física real del
sistema que se modela.
En la actualidad los modelos semifísicos han demostrado gran utilidad por su
capacidad de extrapolar los resultados a diferentes escalas y regímenes de
operación; si todos los elementos relevantes están presentes en el modelo, y si
estos se mantienen dentro del rango de validez (Ribas y otros, 2011).
9
Por lo general, en los procesos químicos las propiedades posibles de balancear
son la materia y la energía. Las ecuaciones de balances deben ser
completadas con ecuaciones constitutivas para los parámetros del modelo que
pueden expresar diferentes condiciones cinéticas o fenómenos de transporte
del proceso. Estas ecuaciones generalmente se obtienen de manera empírica
mediante experimentación (Ribas y otros, 2011).
Fundamentalmente las variables a modelar en una fermentación son la
biomasa, el sustrato y el producto, pero adicionalmente se incluye el oxígeno y
el calor. Las ecuaciones resultantes son llamadas ecuaciones de estado del
modelo y describen la dependencia del tiempo de las variables del sistema.
Como se observa, es necesario contar con información sobre la entrada y
salida del sistema en estudio y sobre su consumo o producción dentro del
sistema.
El crecimiento microbiano puede ser modelado con diferentes niveles de
complejidad; molecular o enzimático, macromolecular o de componentes
celulares, celular y de poblaciones. De acuerdo al nivel de complejidad que se
desee, estos modelos se clasifican en (Ribas y otros, 2011):
 Modelos estructurados, se caracterizan por utilizar los contenidos de la
célula en proteínas, enzimas y/o ácidos nucleicos, así como la masa celular
o concentración molar para expresar la cinética.
 Modelos de sistemas de enzimas, se caracterizan por incluir información
sobre la ruta metabólica. También pueden importar la regulación
enzimática, inducción, inhibición, etc.
 Modelos no estructurados, se ignoran los cambios en la composición de la
biomasa y por lo tanto el estado fisiológico de una población de
microorganismos se representa por su velocidad específica de crecimiento.
En este trabajo para estudiar el crecimiento microbiano se modeló
matemáticamente a nivel macromolecular del fermentador, y a nivel enzimático
(vía metabolica). A continuación se describe los siguientes modelos
matemáticos utilizados:
10
2.1.1. Modelo matemático del sistema por vía macromolecular
Los modelos dinámicos para las fermentaciones, la concentración de biomasa,
sustrato y producto son variables dependientes del tiempo que permiten
evaluar el rendimiento de la fermentación. Se propone entonces la utilización
de modelos matemáticos que sirvan de herramientas para la simulación de
procesos fermentativos por carga, con el fin de obtener información detallada
del comportamiento del reactor en cualquier instante de tiempo.
El modelo matemático propuesto para describir el proceso tiene en cuenta una
entrada y una salida en el biorreactor, comportándose como un sistema por
carga (ver Figura 5).
Figura 5. Representación del reactor por carga con las variables involucradas en la
fermentación ABE.
La reacción llevada a cabo en el reactor se puede expresar de la forma:
S+X
P+X
De donde (S) es sustrato, (X) biomasa y (P) concentración de producto. El
balance de materia global para el sistema de la Figura 5 viene dado por:
Entra – Sale + Genera = Acumula
(1)
Considerando que el sistema presentado tiene solo una entrada y una salida y
asumiendo volumen de reacción constante, el balance para las variables según
la ecuación (1) toma la forma:
11
Balance General de masa


•
•
•
= 0 =  − 
(2)
Balance de masa de la biomasa

= ( − ). 

Balance de masa del sustrato
(.)

= −. .


(3)
(4)
Balance de masa por producto
()
= . x. px

(5)
De investigaciones en procesos fermentativos han resultado un alto número de
diferentes ecuaciones que describen el crecimiento microbiano. La más famosa
de ellas es la expresión propuesta por Monod. Aunque cada uno de estos
modelos puede ser descrito por una ecuación flexible, en general de tres
parámetros, la falta de consistencia con los datos experimentales ha conducido
a desarrollar ecuaciones alternas como las propuestas por Teissier, Moser,
Haldane y Hinshelwood, entre otras, sin embargo, en este modelo matemático
se trabaja con la ecuación de Contáis (ecuación 6).
=
 .
(6)
.+
Dicho modelo matemático a nivel macromolecular descrito se le llamara
Modelo I, con la idea de diferenciarlo en el presente trabajo con el modelo
matemático que se realiza por la vía metabólica, llamándola como Modelo II.
2.1.2. Modelo matemático del sistema por vía metabólica
El modelado vía metabólica es uno de los enfoques científicos más exitosos
para simular un proceso de fermentación. El análisis de flujo metabólico (AMF,
por sus siglas en ingles), es un método sistemático desarrollado para evaluar el
papel de los pasos individuales en una red vía metabólica, que da un gran
aporte en la ingeniería metabólica (Vallino y Stephanopoulos, 1993). Usando
12
AMF, muchos estudios recientemente se han llevado a cabo para analizar las
rutas metabólicas y para optimizar procesos de cultivo (Shimizu y otros, 1999).
El AMF se basa en un modelo estequiométrico donde el flujo metabólico a un
estado de equilibrio y no proporciona ninguna información de variante temporal
o tiempo, que es imposible para simular el comportamiento dinámico de los
metabolitos. Pero un modelo de simulación cinética de las rutas metabólicas
que describe el comportamiento dinámico de los metabolitos es eficiente para
la creación del diseño óptimo de biorreactores y estrategias de operación en
desarrollo con el esfuerzo mínimo. Además, el análisis de sensibilidad por el
modelo de simulación cinética podría revelar que vías tenienen impacto en la
alta producción de productos deseados.
El desarrollo de un modelo de este tipo es difícil debido a los muchos
parámetros cinéticos que se necesitan para estimar el modelo. Por otra parte,
esto se vuelve aún más difícil porque no hay modelos de simulación cinética
que incluyan las complicadas vías metabólicas que se han desarrollado en
varios microorganismos.
Dado que la vía metabólica implicada en la producción ABE es bastante
complicado, muy pocos modelos se han publicado que describan esta vía.
Papoutsakis (1984), desarrolló un modelo estequiometrico para esta vía; que
podría usarse para calcular o estimar las velocidades de las reacciones que
ocurren dentro la vía en varias clostridios productores de ABE. Desai et al.
(1999) analizaron las vías de formación de los ácido en el metabolismo de C.
acetobutylicum ATCC824T usando AMF.
Sin embargo, de Shinto y otros en 2007, desarrollaron con éxito una simulación
con el modelo cinético que describe el comportamiento dinámico de los
metabolitos en la producción ABE. El modelo de simulación se basó en las vías
metabólicas de C. acetobutylicum ATCC824T (Jones y Woods, 1986) (Figura
1). Las ecuaciones de velocidad de cada reacción metabólica se puede
representar de la siguiente manera:
1 =
1 .[].[]
1 +[]
.
(7)
13
2 =
3 =
4 =
5 =
6 =
7 =
2 .[6].[]
2 +[6]
3 .[3].[]
3 +[3]
(8)
.
(9)
4 .[].[]
.
4 +[]
5 .[].[]
5 +[]
6 .[].[]
6 +[]
7 .[].[]
7 +[]
8 = 8 . �
9 =
.
11 =
.
.
(12)
(13)
��

1+ 8�[]
9 +[]
(11)
.
1
9 .[].[]
10 =
(10)
1
� . []

1+ 8�[]
.
(15)
10 .[].[]
10 +[]
11 .[].[]
11 +[]
(16)
.
(17)
12 =
12 .[].[]
11 (1+[]/12 )+[](1+[]/12 )
14 =
14 .[].[]
13 = 13 . []
14 +[]
(14)
(18)
(19)
.
(20)
14
1
1
� . � 15
� . []
15
1+
1+
�[]
�[]
15 = 15 . �
16 =
17 =
18 =
19 =
(21)
16 .[].[]
(22)
17 .[].[]
(23)
16 +[]
17 +[]
18 .[].[]
18 +[]
19 .[].[]
19 +[]
.
.
(24)
.
(25)
Para reproducir los perfiles de concentración de cada metabolito, los balances
generales son:
[]

[6]

[3]

= −1
= 1 − 2

[]
[]

= 3 + 4 − 5 − 6
(29)
(30)
= 6 + 7 + 8 − 9 − 10 − 11 − 12
[]

(28)
= 5 − 4
[]

(27)
= 2 − 3
[]

(26)
= 12 − 13
(31)
(32)
= 9 − 7 − 8
(33)
15
[]

[]

= 11
= 10 − 8 − 14 − 15
[]

[]


[]
[2]

= 8 + 15 − 16
(36)
= 18 − 15 − 17
(37)
(38)
= 16
(39)
= 6 + 16
[]

(35)
= 14 + 15 + 17 − 18 − 19
[]

(34)
(40)
= 19
(41)
La velocidad de la ecuación r13 en la ecuación 32, indica la reacción de muerte
celular.
Adicionalmente, se tiene que tomar en cuenta que el butanol inhibe la
utilización de glucosa y la producción de butanol en el cultivo de ABE (Jones y
Woods, 1986), además que un aumento de la glucosa inicial varia también la
concentración de los resultados por la inhibición de la glucosa. También,
Tashiro y otros (2004), han demostrado experimentalmente la aceleración de la
producción de butanol por la alimentación de butirato.
Por lo tanto, Shinto y otros, introdujeron condiciones con inhibición y activación,
donde sustituyeron las ecuaciones r1, r17, y r19 por lo siguiente:
1 =
1 .[].[]
.
1 (1+[]/1 )+[](1+[]/1 )
16
(42)
17 =
19 =
17 .[].[]
.
17 (1+17 /[])+[]
19 .[].[]
.
19 (1+[]/19 )+[](1+[]/19 )
(43)
(44)
En la ecuación de velocidad de r1 (ecuación 42) fue desarrollado mediante la
combinación de la inhibición por sustrato por la glucosa y no competitivo con la
inhibición por butanol. La ecuación de velocidad de r17 (ecuación 43) fue
desarrollada usando la activación específica por butirato. En la ecuación de r19
(ecuación 44) fue también desarrollado mediante la combinación de la
inhibición no competitiva por butanol y activación específica por butirato.
Dado que muchas reacciones metabólicas en la producción de ABE se
producen en la presencia de ATP o NADH, estas reacciones pueden terminar
cuando existe una insuficiencia de energía, es decir, después del agotamiento
de la glucosa. Considerando este caso, existe un mecanismo es encendido y
apagado (F) se introdujo en el Modelo II.
En este mecanismo, asumimos que F puede tener un valor de 1 o 0, y
dependerá de la concentración de glucosa en el caldo. Por tanto, cuando la
concentración de glucosa sea mayor de 1.00 g/L, F tiene valor de 1 y cuando la
concentración este por debajo 1.00 g/L, F valdrá 0. Este mecanismo de
encendido y apagado se introdujo en las ecuaciones: (7)-(13), (15), (17), (20),
(23)-(25), (42)-(44), que son las reacciones metabólicas que van acompañadas
con ATP, ADP, NADH, o NAD.
Para el desarrollo de este modelo matemático y estimar los parámetros, se
tomó como punto de partida los resultados de los parámetros cinéticos
obtenidos por Shinto y otros en 2007 (ver Tabla 2), para determinar los
parámetros del sistema de fermentación propuesto. Adicionalmente, se
consideró manejar los datos experimentales de glucosa con una concentración
inicial de 80 g/L (c. acetabutylicum) por la semejanza con los resultados al
propuesto por dichos investigadores.
17
Tabla 2. Resultados de los parámetros cinéticos de los datos experimentales de 70.6mM de
glucosa inicial, por Shinto y otros (2007).
Reacción
-1
(h )
Vmax
-1
a
Km
a
b
b
b
a
b
Kis
Kii
Ka
KmA
KmB
(g/L)
(g/L)
(g/L)
40
70
15
50
(h )
(g/L)
(g/L)
(g/L)
r1
3.2
46
55.6
67.5
r2
40
10
r3
120
26.5
r4
7.5
177
r5
9.7
500
r6
180
1.5
r7
0.3
50
r8
19
r9
26.5
51
r10
20
1
r11
7.45
30
r12
8.1
1.1
r14
10
5.2
r15
80
r16
12
10
r17
35
4.9
r18
100
6.1
r19
3.15
5
r13
2.2.
Ka
23
0.017
2.2
67.5
2.2
Optimización del proceso de fermentación
Para el proceso de fermentación ABE en estudio, es de gran importancia
realizar una optimización del proceso, con el fin de representar resultados
óptimos para el usuario durante la simulación del proceso.
2.1.2. Función objetivo de la optimización
En los problemas de optimización de sistemas dinámicos se desea optimizar
una función objetivo (Jcosto) que es función de unas variables de decisión y de
las variables de estado del proceso, que a su vez evolucionan en el tiempo. La
optimización, también denominada programación matemática, sirve para
encontrar la respuesta que proporciona el mejor resultado, la que logra
18
mayores ganancias, mayor producción o la que logra el menor costo de un
proceso determinado.
La función objetivo a minimizar se calculará para unos valores determinados de
las variables de decisión mediante la simulación del modelo. Las variables de
decisión a optimizar y la función objetivo son distintas dependiendo del tipo de
problema de optimización dinámica de que se trate.
En los modelos matemáticos utilizados en este trabajo, la función de costo se
basó en minimizar el error de los valores de las variables calculadas menos los
valores de los datos experimentales, en cada determinado tiempo utilizando
una función discreta (ver ecuación 45 y 46).
=
 = ∑=1 1 + 2 + 3 + ⋯ 
 = � −  �
2
(45)
(46)
En algunos casos debido a la complejidad de los cálculos a optimizar, y con el objetivo de
minimizar el tiempo de respuesta, se normalizaron las variables usando el promedio
experimental de dichas variables (ecuación 47).
 =
�������������������������
�( −  )/
 �
2
(47)
2.1.3. Uso de Ecosimpro para la optimización
Para las diferentes optimizaciones del trabajo propuesto, se utilizó EcosimPro®
que es una herramienta de modelado y simulación de sistemas dinámicos., en
donde los modelos deben ser representado por ecuaciones algebraicas
diferenciales y eventos discretos.
El programa se encarga internamente de extraer las ecuaciones del modelo
final, transformarlas simbólicamente, y además de detectar (si existiera) los
problemas de exceso de variables, para finalmente resolver automáticamente
lazos algebraicos lineales y no lineales (Jorrín y otros, 2007). El entorno de
modelado y simulación que emplea EcosimPro® presenta muchas cualidades
19
que le confieren una gran versatilidad y potencia, pero en general no garantiza
que el óptimo hallado sea el global (Gómez y Prada, 2007).
La estructura que se aplicó en el programa para la ejecución las diferentes
optimizaciones se describe a continuación (ver ejemplo en Anexos):
•
USE
→ se indica que carpeta requiere para ejecutar el
programa. En este caso, se utilizó MATH (carpeta
matemática).
•
COMPONENT
→
(información)
variables y constantes que se requiere para el
END COMPONENT
cálculo matemático, estructurado de la siguiente
Se indica y se declara las diferentes
forma y orden:
o DATA
→Aquí se indica los valores de las variables que
se mantienen constantes en el modelo utilizado.
o DECLS UNIT
→Se declara las variables del problema
o DISCRETE
→ En este apartado se coloca el modelo
matemático para eventos discretos, para ayudar al
usuario para modelar las piezas. Consta de
eventos que deben ser detectadas
o CONTINUOUS
→ En esta parte se coloca el modelo matemático
con el que se desea trabajar en el programa.
Adicionalmente, para que la función objetivo se calculará justo en los tiempos
de los datos experimentales, se aplicó el método DISCRETE (discreto) que
utiliza el programa (ver Figura 6), y de esta manera ajustar los parámetros en
los diferentes modelos matemáticos.
20
Figura 6. Muestra del cálculo discreto que se le realiza la función objetivo en función al tiempo
de muestreo experimental.
Para realizar la optimización de los parámetros requeridos tanto para el Modelo
1 como para el Modelo 2, se utilizó la herramienta dinámica de “optimización”
de EcosimPro (ver Figura 7), en el cual se manejó el modelo matemático
basado en algoritmo genético (PBCA) con un tamaño de población (NP) de 500
(ver Figura 8). Los datos y/o información que fueron modificados según el tipo
de optimización aplicada son: el tiempo de simulación, la función objetivo que
se aplicaba, los parámetros a optimizar (que incluye la semilla o valor inicial y el
rango de estimación), los valores iniciales de las variables a calcular y
finalmente, las restricciones del problema.
Figura 7. Ilustración de la herramienta de optimización en EcosimPro.
21
Figura 8. Ilustración del método de optimización utilizado en EcosimPro.
Cada optimización realizada presentaba resultados en tiempo diferente (entre
15 min algunos hasta 8 horas siendo los más complejos), y se debía a
diferentes causas: la cantidad de parámetros a calcular, el valor inicial que se
indicaba en cada parámetros (sí era muy bajo o muy algo), los rango de cálculo
de cada parámetro estimado, etc., por lo cual, la estimación de los parámetros
fue una tarea compleja según el tiempo de espera y validez de los resultados a
obtener.
22
CAPITULO III. ESTIMACIÓN DE PARAMETROS USANDO
OPTIMIZACIÓN
En este capítulo se describe como se obtienen las diferentes estimaciones de
los parámetros en los dos tipos de modelo matemático planteado para el
sistema de fermentación ABE, utilizando el simulador Ecosimpro.
3.1. Análisis de sensibilidad
Para realizar una optimización eficaz y rápida, se generó información adicional
sobre el comportamiento de la solución por cambios en los parámetros del
modelo, lo que usualmente se conoce como análisis de sensibilidad. En pocas
palabras, esta fase consiste en determinar la influencia de cambios en el valor
de cada parámetro en la solución, lo que lleva a determinar cuáles son
significativos y deben incluirse en la estimación de parámetros, mientras que
otros pueden dejarse constantes al no influir en la solución, haciendo más
simple la solución matemática.
Si se considera Jcosto como la función objetivo (ecuación 48), en donde ym es
la variable manipulada que varía en función distintos parámetros, entonces la
sensibilidad de la salida i del modelo respecto al parámetro j en relación a un
experimento dado, es función del tiempo (ecuación 50).
2
 = ∑
=1�() − (,,) �
(48)
(,,) = (() , () )
() =
(49)
()
(50)

Adicionalmente se puede ver como la sensibilidad del índice J respecto al
parámetro j en relación a un experimento dado (ecuación 51).

(51)

23
Por tanto, la norma de cada columna j de la matriz de sensibilidades da una
idea de la importancia del parámetro Pj en el valor de las salidas (ecuación 52).
11 12

22
� 21
⋮
⋮
1 2
… 1
⋯ 2
�
⋯ ⋮
⋯ 
(52)
Realizar un análisis de sensibilidad del modelo matemático propuesto, ayudan
a visualizar los parámetros o constantes que requieran mayor atención para
hacer ajustar y disminuir el error respecto al resultado deseado. A continuación
se describe los diferentes cálculos que se realizaron para el estimar los valores
de los parámetros de los modelos propuestos (Modelo I y Modelo II), utilizando
para ello el análisis de sensibilidad de los datos experimentales sobre el
sistema propuesto.
3.2. Simulación de la fermentación ABE con el Modelo I
El modelo matemático empleado en el sistema a nivel macromolecular (Modelo
I), tal como se describió en el punto 2.1.1, presenta tres diferentes constantes
como Km, Kd y µmax, de valores desconocidos.
Para estimar los dichos parámetros se consideró que el valor varía según el
tipo de bacteria utilizada en el proceso, el tipo de sustrato así como la variación
de temperatura y pH aplicada durante el proceso. Por tanto, se trató de calcular
las constantes mencionadas, según los datos experimentales suministrados,
por cada tipo de bacteria y sustrato (ver modelo de cálculo del Modelo I en
Anexos, Figura 12).
Los datos experimentales de la glucosa utilizando fue con la bacteria c.
acetobutylicum y para concentraciones iniciales de 30, 60 y 80 g/L, para
evaluar el modelo y estimar en principio los valores de las constantes. A
continuación se indica los resultados que se obtuvo para cada concentración
inicial:
24
•
Concentración de 30 g/L para Glucosa (c. acetobutylicum).
Kd=0.0124 h-1
Km=0.3129 g/L
µmax=0.0225 h-1
ypxa=1.32
ypxb=3.88
ypxe=1
yxs=0.05
Gráfica 1. Resultado de la optimización de parámetros con la glucosa
a 30 g/L utilizando c. acetobutylicum con el modelo 1.
En el Gráfica 1 se observa el comportamiento que genera la optimización para
estimar los parámetros, cuando se trabaja con glucosa a dicha concentración
(30 g/L), que observándolo con la Figura 9, se observa que tiene el mismo
comportamiento experimental.
30,000
etanol
acetona
butanol
Biomasa
Sustrato
Concentración g/L
25,000
20,000
15,000
10,000
5,000
,000
,00
20,00
40,00
60,00
80,00
Tiempo (h)
100,00
120,00
Figura 9. Datos experimentales de la glucosa a 30 g/L utilizando como bacteria el c.
acetobutylicum.
Pero comparando las variables calculadas con los valores experimentales
como se observa en la Gráfica 2, se aprecia la diferencia en las curvas de los
productos y la biomasa, como del resultado final.
25
Gráfica 2. Comparación de las variables calculadas con los datos experimentales de la glucosa
a 30 g/L utilizando c. acetobutylicum con el modelo 1.
Teniendo dichos resultados, igual se procedió a estimar los parámetros
utilizando otras datos experimentales que varían solo en la concentración inicial
para ver sí se obtenía los mismos resultados.
•
Concentración de 60 g/L para Glucosa (c. acetobutylicum).
Kd=0 h-1
Km=7.4596 g/L
µmax=0.0367 h-1
ypxa=5.08
ypxb=10.78
ypxe=1.04
yxs=0.02
Gráfica 3. Resultado de la optimización de parámetros con la glucosa a
60 g/L utilizando c. acetobutylicum con el modelo 1.
Igual que en caso anterior, el comportamiento de las variables calculadas
obtenidas (ver Gráfica 3) presentan un resultado muy parecido a los datos
experimentales suministrados (Figura 10).
26
70,000
Biomasa
Concentración (g/L)
60,000
Sustrato
50,000
Etanol
Acetona
40,000
Butanol
30,000
20,000
10,000
,000
0
20
40
60
Tiempo (h)
80
100
Figura 10. Datos experimentales de la glucosa a 60 g/L utilizando como bacteria el c.
acetobutylicum.
Sin embargo, tal como se observa en la Gráfica 4, la estimación calculada de
las variables tiene unas variaciones en algunas curvas, y se aprecia más en la
curva de la biomasa.
Gráfica 4. Comparación de las variables calculadas con los datos experimentales de la glucosa
a 60 g/L utilizando c. acetobutylicum con el modelo 1.
Del mismo modo se procedió con los datos experimentales de 80 g/L de
concentración inicial.
27
•
Concentración de 80 g/L para Glucosa (c. acetobutylicum).
Kd=0.036 h-1
Km=50 g/L
µmax=0.0324 h-1
ypxa=7
ypxb=17.5
ypxe=1.14
yxs=0.02
Gráfica 5. Resultado de la optimización de parámetros con la glucosa a
80 g/L utilizando c. acetobutylicum con el modelo 1.
Se observa en la Gráfica 5, como difiere también los resultados de los
parámetros
con
los
anteriores
resultados
de
glucosa
a
diferentes
concentraciones iniciales. El comportamiento de la curca calculada para la
biomasa (ver Gráfica 6), tiene diferencia notable con el comportamiento de la
variable experimental, lo cual se ve influenciado también por el ajuste de las
demás curvas de las variables, debido a la relación que tiene la biomasa para
el cálculo de los productos.
Gráfica 6. Comparación de las variables calculadas con los datos experimentales de la glucosa
a 80 g/L utilizando c. acetobutylicum con el modelo 1.
28
Por tanto, se concluye que el Modelo 1 no modela la fermentación ABE, debido
a que presenta errores en el cálculo de las variables tal como se observó en las
diferentes simulaciones realizadas.
La variación de la variables calculadas con los datos experimentales, se debe a
que no se considera en el modelo matemático la inhibición del sustrato en la
concentración de los productos, ni tampoco la inhibición que produce la
concentración de butanol en el sistema.
Se requiere ajustar el modelo matemático macromolecular (Modelo I), donde se
considere dichas inhibiciones y muy probablemente el modelo de crecimiento
microbiano dado que no se identifica como el modelo de Contáis.
29
3.3. Simulación de la fermentación ABE con el Modelo II
Para la estimación de los distintos parámetros del modelo II, se optimizó las
variables de estado con los datos experimentales de la glucosa con una
concentración inicial de 80 g/L y utilizando la bacteria c. acetobutylicum en la
fermentación (ver modelo de cálculo en la Figura 12, en anexos).
En la Gráfica 7, se aprecia la diferencia del cálculo de las variables realizado
con el Modelo II a una concentración inicial de 80 g/L de glucosa, en donde se
utilizó los valores de los parámetros estimados por Shinto en el 2007 (ver Tabla
2). Por tanto, se requiere ajustar el Modelo II que presenta 36 ecuaciones
(entre las reacciones cinéticas y el cálculo de las variables de estado), y los 45
parámetros a estimar, para ajustar al modelo experimental.
Gráfica 7. Variación de las variables de estado más importantes calculadas con el Modelo II
utilizando los resultados de los parámetros de Shinto y otros en el 2007, y comparadas con los
datos experimentales de la glucosa con concentración inicial de 80 g/L (c. acetobutylicum).
S=sustrato, X=biomasa, Pa=acetona, Pb=butanol, Pe=etanol.
Debido a la complejidad del cálculo matemático, se realizó el análisis de
sensibilidad al Modelo II con los valores de los parámetros de la Tabla 2 como
puntos de partida, y se determinó los parámetros que requieren mayor ajuste
para obtener la identificación del sistema deseado.
En el modelo matemático propuesto (Modelo II), los parámetros de importancia
son las concentraciones del Sustrato (S), Biomasa (X) y los diferentes
productos: butanol (Pb), Etanol (Pe) y acetona (Pa). Considerando esto, en la
Tabla 3, se observa los valores de sensibilidad relativa, que se obtuvo en el
análisis para determinar cuáles de los diferentes parámetros requieren ser
estimados con mayor precisión. En función de estos resultados, se consideró
30
los valores de sensibilidad alto (mayores de 100) que son los que requieren
mayor modificación para ajustar el modelo.
Tabla 3. Valores de la sensibilidad de los parámetros del Modelo II.
Valor de
sensibilidad
0.1195
0.4210
0.4265
0.4273
2.0043
2.6809
2.7113
7.8614
8.0727
8.0776
9.1309
9.7457
9.7492
10.5217
10.5954
11.9586
11.9942
12.9064
12.9720
15.1863
15.2642
16.0836
19.2596
Parámetro
Ka19
Km8a
Km8b
Vmax8
Kii19
Km7
Vmax7
Km15a
Km11
Vmax11
Ka17
Km9
Vmax9
Km16
Vmax16
Km15b
Vmax15
Km4
Vmax4
Km5
Vmax5
Kii1
Km3
Valor de
sensibilidad
19.3318
19.5656
19.6006
19.7886
20.1725
23.8620
23.9191
33.6930
56.6944
60.2006
66.8878
73.1815
74.3681
84.3440
84.5938
165.3950
303.1460
342.4520
348.8310
351.5950
355.9580
403.6630
Parámetro
Vmax3
Km2
Km14
Vmax2
Vmax14
Km6
Vmax6
Km17
Kis1
Km18
Km19
Vmax17
Vmax18
Kii12
Vmax19
Km1
Vmax1
Km10
Vmax10
Km12
Vmax12
K13
En la Tabla 4, se muestran los parámetros más influyentes en las variables de
estado, y por tanto, sus parámetros son los valores que deben conocerse con
mayor precisión. En primer lugar, están los relacionados con la biomasa dado
que las mayorías de las variables de estados, depende de dicha concentración.
Adicionalmente, la biomasa se ve afectada significativamente por la ecuación
r12, y además por la concentración del sustrato y del butanol, así como estas
mismas dependan también de la concentración de biomasa, por lo que están
entrelazadas en el cálculo de ajuste. Adicionalmente, la concentración de
butanol afecta a la mayoría de las concentraciones a calcular, y está se ve muy
influenciado por la variación de la concentración del butirato debido a la
segunda fase de la fermentación ABE (solventogénesis).
31
Tabla 4. Parámetros más relevantes del análisis de sensibilidad al Modelo II.
Variables de estado
Biomasa (X)
Parámetros
K13
Km12
Kii12
Vmax12
Km1
Vmax1
Km19
Vmax19
Km17
Km18
Vmax17
Vmax18
Km10
Vmax10
Sustrato (S)
Butanol
Butirato
ACoA
En la Gráfica 8, se observa la variación de las concentraciones de las variables
más importantes a estudiar (sustrato y los productos ABE) al modificar la los
parámetros que dependen de la biomasa (K13, Km12, Kii12, Vmax12),. Si se
aumenta la concentración de la biomasa, cambia el comportamiento del
sustrato disminuyendo, y los productos como el butanol aumentan en
concentración.
El mismo análisis se realizó variando parámetros que afectan a la
concentración del sustrato solamente (ver Gráfica 9), Km1 o Vmax1, lo cual
afecta la concentración de la biomasa disminuyendo (si se aumenta el sustrato)
y la concentración de los productos, como el butanol, también disminuyen.
Por tanto, debido a este análisis, se tiene que la concentración de la biomasa
es inversamente proporcional a la concentración del sustrato y directamente
proporcional a los productos. Y del mismo modo, la concentración del sustrato
es inversamente proporcional tanto a la biomasa como a la concentración de
los productos.
32
__ X
__ X mayor
__ X menor
Variación de la biomasa
Variación del butanol
Variación del sustrato
Variación del butirato
Gráfica 8. Sensibilidad de algunas variables de estado respecto a modificaciones de la
biomasa en el Modelo II.
Variación de la biomasa
Variación del butanol
__ S
__ S mayor
__ S menor
Variación del sustrato
Variación del butirato
Gráfica 9. Sensibilidad de algunas variables de estado respecto a modificaciones del sustrato
en el Modelo II.
Se realizaron varias optimizaciones y ajuste para llegar al mejor ajuste posible
de los parámetros. Para ello, inicialmente se realizaron pruebas individuales
por parámetros para ir ajustando los valores uno a uno, dado la complejidad del
33
cálculo para el programa, dado que se tardaba mucho tiempo en dar respuesta
o daba error a nivel matemático por el rango de cálculo.
Finalmente, haber justado por separado los parámetros de las variables más
representativos (sustrato, biomas y butanol), hizo posible poder ajustar en
conjunto los diferentes parámetros del Modelo II. En dicho cálculo, el ajuste se
hizo para que estimara todos los parámetros del modelo considerando
minimizar los errores (función objetivo, Jcosto) de las variables de estado:
biomasa, sustrato, butanol, etanol, acetona, butirato, acetato y lactato.
A continuación se muestra en la Tabla 5 los diferentes valores que se
estimaron de los parámetros del Modelo II obtenido con los cálculos realizados
con Ecosimpro y los datos experimentales de la glucosa a 80 g/l de
concentración inicial. En dicha tabla se observa las velocidades máximas de las
reacciones involucradas, además de las constantes de metabolismo de cada
reacción cinética.
Tabla 5. Resultado de las estimaciones de los parámetros del Modelo II.
Velocidades máximas de las reacciones
-1
(h )
Vmax1=0.623
Vmax2=40
Vmax3=120
Vmax4=9
Vmax5=9.7
Vmax6=180
Vmax7=0.3
Vmax8=69.4
Vmax9=26.5
Vmax10=20
Vmax11=7.45
Vmax12=0.1489
Vmax14=10
Vmax15=100
Vmax16=29.193
Vmax17=60.345
Vmax18=75
Vmax19=9.8309
Constantes del metabolismo de cada
reacción cinética (g/L)
K13=0.0912
Km1=0.9
Kis1=480
Kii1=4.7
Kii12=16.7
Kii19=40
Ka17=2.2
Ka19=0.01
Km2=10
Km3=26.5
Km4=177
Km5=0.7
Km6=1.5
Km7=50
Km9=51
Km10=3.2235
Km11=30
Km12=0.001
Km14=5.2
Km16=0.0004
Km17=4.9
Km18=6.5
Km19=4.5
Km8a=0.03
Km8b=1
Km15a=0.8837
Km15b=55
34
En la Gráfica 10 se observa los resultados de las diferentes variables de estado
(línea roja): biomasa, sustrato, butanol, etanol, acetona, etc.; calculados con los
parámetros finales del Modelo II, y comparados con el comportamiento de los
datos experimentales (línea azul).
En dichas graficas se observa que se requiere mayor ajuste en el cálculo del
sustrato y/o de la biomasa dado la diferencia existente entre el calculado y el
que genera los datos experimentales. Sin embargo, se considera como el mejor
ajuste debido a la variabilidad de los datos experimentales de la biomasa, que
hizo complejo el mejor ajuste de los parámetros. Adicionalmente, el resultado
que arroja el modelo para el cálculo de los productos, tiene una diferencia muy
baja al momento de estimar el resultado.
(a) Biomasa (X)
(c) Acetona (Pe)
(b) Sustrato (S)
(d) Etanol
(e) Butanol
Gráfica 10. Comparación de las concentraciones calculadas con los parámetros estimados del
Modelo II a una concentración inicial de 80 g/L de Glucosa (c. acetobutylicum) y los datos
experimentales a la misma concentración.
35
CAPITULO IV. VALIDACIÓN DE LOS RESULTADOS
En el presente capítulo se describe la validación que se realizó a las
estimaciones de los parámetros, resultante de la optimización de los datos
experimentales con el Modelo II.
Debido a que se estimaron los parámetros del Modelo II, con los datos
experimentales de la glucosa a 80 g/L y utilizando como bacteria el c.
acetobutylicum, de trato de validar los parámetros con otros resultados de
datos experimentales obtenido con el mismo sustrato (glucosa) y la misma
concentración inicial. Pero los datos suministrados para esté TFM, son un
resultado experimental por cada concentración inicial de sustrato: 80, 60 y 30
g/L con glucosa, respectivamente. Por tanto, se validó los parámetros
estimados con los datos experimentales donde varía solo la concentración
inicial de sustrato: 30 g/L y 60 g/L.
A continuación, en la Tabla 6 se presenta los resultados obtenidos al calcular
las diferentes variables con el Modelo II, las diferencias existentes entre los
valores calculados y los resultados experimentales (Jcosto individuales y
general), para cada concentración inicial de sustrato.
Tabla 6. Resultado de las diferentes funciones objetivo (Jcosto) de las variables calculadas
respecto a los datos experimentales, utilizando para ello el Modelo II con los parámetros
estimados.
J costo de las diferentes
variables
Concentraciones iniciales de glucosa (Si) (g/L)
30
60
80
Sustrato (S)
0.11
0.29
0.65
Biomasa (X)
0.86
0.07
1.11
Acetona(producto, Pa)
4.90
0.28
0.52
Etanol (producto, Pe)
4.08
0.68
0.63
Butanol (producto, Pb)
3.74
0.13
1.36
J costo general
17.25
12.51
4.27
En dicha tabla, existe poca diferencia en la estimación del valor de
las
concentraciones para la concentración inicial de 80 g/L en glucosa, y es debido
a los datos experimentales con que se estimó los parámetros del Modelo II. En
donde se aprecia una diferencia bastante alta es en el cálculo de la
36
concentración de los productos para una concentración inicial de sustrato de 30
g/L (Jcosto general=17,25).
Mediante la introducción de inhibición por sustrato, la inhibición del producto de
butanol, la activación de butirato y teniendo en cuenta el cese de reacciones
metabólicas en el caso de insuficiencia de energía después de agotamiento de
la glucosa, el Modelo II un resultado de Jcosto general (mínimo error) es de 412, entre los datos experimentales y los calculados en el simulador.
A continuación se muestra en la Gráfica 11, como se observa la diferencia
existente entre las concentraciones de las distintas variables calculadas con el
modelo II (línea azul) y los datos experimentales (línea roja), para una
concentración inicial de glucosa a 30 g/L.
(a) Biomasa (X)
(c) Acetona (Pe)
(b) Sustrato (S)
(d) Etanol
(e) Butanol
Gráfica 11. Comparación de las concentraciones calculadas con los parámetros estimados del
Modelo II a una concentración inicial de 30 g/L de Glucosa (c. acetobutylicum) y los datos
experimentales a la misma concentración.
Se observa, notablemente la diferencia existente en la gráfica de los productos:
butanol, etanol y acetona, que de alguna manera se ve influenciado porque la
biomasa se está calculando con un comportamiento distinto al arrojado
experimentalmente.
37
En la gráfica siguiente (Gráfica 12), donde se aprecia los resultados de cálculo
utilizando como concentración inicial de sustrato de 60 g/L, se observa que el
resultado experimental es diferente (línea azul) en comparación al caso anterior
(sustrato inicial de 30 g/L), y no existe mucha diferencia en el cálculo de la
concentración de biomasa, pero si para la concentración del sustrato, que
igualmente tienen influencia en el cálculo de las concentraciones de los
productos.
(a) Biomasa (X)
(c) Acetona (Pe)
(b) Sustrato (S)
(d) Etanol
(e) Butanol
Gráfica 12. Comparación de las concentraciones calculadas con los parámetros estimados del
Modelo II a una concentración inicial de 60 g/L de Glucosa (c. acetobutylicum) y los datos
experimentales a la misma concentración.
Debido a los resultados obtenidos se debe considerar validar a futuro, mejor los
parámetros estimados con datos experimentales con la misma concentración
inicial de glucosa con la que se realizaron los cálculos de optimización de los
parámetros del Modelo II. Sin embargo, los resultados obtenidos con el Modelo
II de las diferentes concentraciones de los productos se consideran aceptables
dentro del rango de exactitud con los resultados de las concentraciones de los
productos calculados con los datos experimentales.
38
CAPITULO V. OPTIMIZACIÓN DE LA PRODUCCIÓN DE
BUTANOL
A continuación, en este capítulo se describe la optimización que se realizó para
mejorar la producción de butanol en la fermentación ABE para el sistema
planteado en este trabajo.
Para realizar este cálculo se determinó como función de costo o función
objetivo el cálculo de la concentración de butanol (Pb) al final del batch, y se
utilizó como modelo matemático, el Modelo II con los parámetros estimados tal
como se describió en capítulos anteriores. En la Tabla 7, se observa como la
concentración de Pb obtenida es igual para los casos de 60 o 80 g/L de
glucosa inicial, y en el caso de 30 g/L la concentración es menor.
Tabla 7. Resultado de la optimización de la concentración final de butanol (Pb) para diferentes
concentraciones iniciales de sustrato (Si).
Concentración inicial
de sustrato, Si (g/L)
Concentración
butanol, Pb (g/L)
de
30
60
80
11,77
16.35
16,38
En función de estos resultados, el mejor sistema para obtener un mayor
rendimiento de butanol (16 g/L) es con una concentración inicial de glucosa del
60 g/L. Sin embargo, debido a la diferencia existente en obtener entre 11 g/L a
16 g/L de butanol, respecto a la concentración inicial, se recomienda manejar
una concentración inicial de 30 g/L de glucosa por el bajo consumo de sustrato,
para una concentración final similar si se manejara inicialmente 60 u 80 g/L de
glucosa, sin contar el hecho que se ahorra en tiempo, debido a que el proceso
culmina más rápido que con mayor cantidad de concentración inicial de
sustrato.
39
CAPITULO VI. CONCLUSIONES
En base a los objetivos planteados en el presente trabajo final de master (TFM), se
presentan las conclusiones más resaltantes, en la producción de butanol de la
fermentación ABE:
1. El modelo matemático del sistema por vía macromolecular (Modelo I), no
representa el modelado del sistema de fermentación ABE, porque no
considera la inhibición del sustrato en la concentración de los productos, ni
tampoco la inhibición que produce la concentración de butanol en el
sistema.
2. El modelo matemático por la vía metabólica (Modelo II) propuesto, modela
el comportamiento dinámico de la fermentación ABE del sistema propuesto.
3. El modelado de las rutas metabólicas (Modelo II) es útil para el análisis del
sistema y la optimización de los procesos de fermentación.
4. El Modelo II, está sujeto a ser usado para experimentos fermentativo ABE
que maneje como bacteria el c. acetobutylicum y como sustrato la glucosa.
5. Las estimaciones de los parámetros del Modelo II ajustados al sistema
propuesto de Fermentación ABE, son los que se presentan en la tabla 5.
6. Mediante la introducción de inhibición por sustrato, la inhibición del producto
de butanol, la activación de butirato y teniendo en cuenta el cese de
reacciones metabólicas en el caso de insuficiencia de energía después de
agotamiento de la glucosa, el Modelo II presenta un resultado de Jcosto
general entre 4-12.
7. La mejor optimización de la concentración de butanol que se puede obtener
es de 16 g/L para 60 g/L de concentración inicial de glucosa.
40
CAPÍTULO VI. REFERENCIAS BIBLIOGRÁFICAS
 Aros N., Cifuentes M. y Mardones J. (2011), “Modelación, simulación y
control de procesos de fermentación”. Revista chilena de ingeniería, vol. 19
No 2, 2011, pp. 210-218.
 Gómez E. y Prada C. (2007). “Optimización dinámica en ecosimpro®
aplicación a la estimación de parámetros y validación de modelos”.
Universidad de Valladolid.
 Jaramillo J. y Cardona C. (2010). “Análisis de la producción de biobutanol
en
la
fermentación
acetobutilica
con
clostridium
saccharoperbutylacetonicum N1-4 ATCC13564”. Universidad Nacional de
Colombia Sede Manizales. Carrera 27 N.º 64-60.
 Jones, D.T. y Woods, D.R. (1986). “Acetone–butanol fermentation revisited”.
Microbiol. Rev. 50, 484–524.

Jorrín A., García D., Prada C. y Cristea S. (2007). “Asistente de
optimización y linealización para la herramienta de modelado y simulación
ecosimpro”. Universidad de Valladolid.
 Pauline, Doran (1998).
“Principios de ingeniería de los bioprocesos”.
Edición Acribia S.A. Saragoza España
 Ribas M, Hurtado R. y Garrido N.(2011). “Metodología para la modelación
matemática de procesos de fermentación alcohólica”. Instituto Cubano de
Investigaciones de los Derivados de la Caña de Azúcar. ISSN (Versión
impresa): 0138-6204. Cuba
 Ribas M., Hurtado R., Garrido N., Domenech F., Sabadí R. (2011).
“Metodología para la modelación matemática de procesos. Caso de estudio,
fermentación alcohólica”. Instituto Cubano de Investigaciones de los
Derivados de la Caña de Azúcar, La Habana, Cuba
 Setlhaku M., Brunberg S., Villa E., Wichmann R. (2012). “Improvement in
the bioreactor specific productivity by coupling continuous reactor with
repeated
fed-batch
reactor for acetone–butanol–ethanol production”.
41
Laboratory of Biochemical Engineering, Department of Biochemical and
Chemical Engineering, TU Dortmund, Emil-Figge-Strasse. 66, Dortmund
44227, Germany.
 Shinto H., Tashiro Y., Yamashita M. y otros (2007). “Kinetic modeling and
sensitivity analysis of acetone–butanol–ethanol production”. Journal of
Biotechnology 131 (2007) 45–56.
 Trejos V., Alzate J. y Gomez M. (2008), “Descripción matemática y análisis
de estabilidad de procesos fermentativos”. Universidad Nacional de
Colombia.
 Wang L. y Chen H. (2010). “Acetone-butanol-ethanol Fermentation and
Isoflavone Extraction Using Kudzu Roots”. Biotechnology and Bioprocess
Engineering 16: 739-745 (2011). DOI 10.1007/s12257-010-0347-x.
 Xiaoping Yangt y George T. Tsao (1994). “Modelación Matemática de
inhibición cinética en acetona-butanol fermentación por el Clostridium
acetobutylicum”. Biotechnol. Prog., IO, 532-538
42
CAPÍTULO VII. ANEXOS
Anexo 1.
Figura 11. Imagen del código utilizado en Ecosimpro para optimizar el proceso con el modelo
matemático por la vía macromolecular.
43
Anexo 2.
Figura 12. Imagen del código utilizado en Ecosimpro para optimizar el proceso con el modelo
matemático por la vía metabólica.
44
Figura 12. Imagen del código utilizado en Ecosimpro para optimizar el proceso con el modelo
matemático por la vía metabólica (continuación).
45
Figura 12. Imagen del código utilizado en Ecosimpro para optimizar el proceso con el modelo
matemático por la vía metabólica (continuación).
46