Sensor virtual para la estimación de concentración de etanol en fermentación continua

Fabian Gonzalez Morales; Paul Antonio Valle Trujillo; Corina Plata Ante; José Ricardo Cárdenas Valdez; Luis Néstor Coria de los Ríos; Ramón Ramírez Villalobos

doi:10.29057/icbi.v14iEspecial.15504

Autores/as

Fabian Gonzalez Morales Tecnológico Nacional de México https://orcid.org/0009-0009-2289-6331
Paul Antonio Valle Trujillo Tecnológico Nacional de México https://orcid.org/0000-0001-6567-1065
Corina Plata Ante Tecnológico Nacional de México https://orcid.org/0000-0002-6453-9529
José Ricardo Cárdenas Valdez Tecnológico Nacional de México https://orcid.org/0000-0002-5437-8215
Luis Néstor Coria de los Ríos Tecnológico Nacional de México https://orcid.org/0000-0002-1219-0433
Ramón Ramírez Villalobos Tecnológico Nacional de México https://orcid.org/0000-0001-9506-5613

DOI:

https://doi.org/10.29057/icbi.v14iEspecial.15504

Palabras clave:

Estimación de etanol, fermentación continua, instrumentación biotecnológica, kluyveromyces marxianus, sensor virtual

Resumen

Este trabajo presenta el desarrollo de un sensor virtual para un proceso de fermentación continua, modelando el comportamiento de Kluyveromyces marxianus, una levadura empleada en la industria vinícola por su capacidad para fermentar azúcares simples y actuar como agente de biocontrol. La medición directa del etanol presenta latencias que dificultan el control eficiente del proceso. Para superar esta limitación, se emplea un modelo mecanicista que describe las interacciones dinámicas entre biomasa, glucosa y etanol. A partir de este modelo, se diseña un sensor virtual que estima dichas concentraciones a partir de datos medibles. La solución se implementa en tiempo real mediante dos microcontroladores comunicados por puerto serial y utilizando el método de Runge-Kutta para la integración numérica. Los resultados muestran alta concordancia entre los estados simulados y estimados. A diferencia de enfoques previos basados en redes neuronales o filtros de Kalman, la propuesta combina un modelo mecanicista con análisis de observabilidad estructural e implementación en microcontroladores de bajo costo.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Amin, G., Standaert, P., y Verachtert, H. (1984). Effects of metabolic inhibitors on the alcoholic fermentation by several yeasts in batch or in immobilized cell systems. Applied Microbiology and Biotechnology, 19, 91–99.

Babary, J.-P. (1993). On-line estimation and adaptive control of bioreactors, Process measurement and control 1: G. Bastin and D. Dochain. Pergamon.

Bilal, M., Ji, L., Xu, Y., Xu, S., Lin, Y., Iqbal, H. M., y Cheng, H. (2022). Bio prospecting kluyveromyces marxianus as a robust host for industrial bio technology. Frontiers in Bioengineering and Biotechnology, 10, 851768.

Boutat, D. y Zheng, G. (2021). Observer design for nonlinear dynamical systems. Springer.

Britton, N. F. y Britton, N. (2003). Essential mathematical biology, volumen 453. Springer.

Ding, J., Huang, X., Zhang, L., Zhao, N., Yang, D., y Zhang, K. (2009). Tolerance and stress response to ethanol in the yeast saccharomyces cerevisiae. Applied Microbiology and Biotechnology, 85, 253–263.

Du, Y.-H., Wang, M.-Y., Yang, L.-H., Tong, L.-L., Guo, D.-S., y Ji, X.-J. (2022). Optimization and scale-up of fermentation processes driven by models. Bioengineering, 9(9), 473.

Fonseca, G. G., Gombert, A. K., Heinzle, E., y Wittmann, C. (2007). Physiology of the yeast kluyveromyces marxianus during batch and chemostat cultures with glucose as the sole carbon source. FEMS Yeast Research, 7(3), 422–435.

Fortuna, L., Graziani, S., Rizzo, A., y Xibilia, M. G. (2007). Soft sensors for monitoring and control of industrial processes. Springer.

Hermann, R. y Krener, A. (2003). Nonlinear controllability and observability. IEEE Transactions on Automatic Control, 22(5), 728–740.

Kadlec, P., Gabrys, B., y Strandt, S. (2009). Data-driven soft sensors in the process industry. Computers & Chemical Engineering, 33(4), 795–814.

Kubota, S., Takeo, I., Kume, K., Kanai, M., Shitamukai, A., Mizunuma, M., Miyakawa, T., Shimoi, H., Iefuji, H., y Hirata, D. (2004). Effect of ethanol on cell growth of budding yeast: genes that are important for cell growth in the presence of ethanol. Bioscience, Biotechnology, and Biochemistry, 68(4), 968–972.

Monod, J. (2012). The growth of bacterial cultures. Selected Papers in Molecular Biology by Jacques Monod, 139, 606.

Rodrussamee, N., Lertwattanasakul, N., Hirata, K., Suprayogi, Limtong, S., Kosaka, T., y Yamada, M. (2011). Growth and ethanol fermentation ability on hexose and pentose sugars and glucose effect under various conditions in thermotolerant yeast kluyveromyces marxianus. Applied Microbiology and Biotechnology, 90, 1573–1586.

Salazar, Y., Valle, P. A., Rodríguez, E., Soto-Cruz, N. O., Páez-Lerma, J. B., y Reyes-Sánchez, F. J. (2023). Mechanistic modelling of biomass growth, glucose consumption and ethanol production by kluyveromyces marxianus in batch fermentation. Entropy, 25(3), 497.

Veloso, A. C., Rocha, I., y Ferreira, E. C. (2009). Monitoring of fed-batch E. coli fermentations with software sensors. Bioprocess and Biosystems Engineering, 32(3), 381–388.

Wolfenden, R. y Yuan, Y. (2008). Rates of spontaneous cleavage of glucose, fructose, sucrose, and trehalose in water, and the catalytic proficiencies of invertase and trehalase. Journal of the American Chemical Society, 130(24), 7548–7549.

Wu, Z., Song, L., Liu, S. Q., y Huang, D. (2013). Independent and additive effects of glutamic acid and methionine on yeast longevity. PloS One, 8(11), e79319.