En la presente tesis se introduce el uso de sistemas no lineales (observadores) para estimar el coeficiente volumétrico de transferencia de oxígeno, kLat,de unbiorreactor. El modelo utilizado para estimar los estados que no pueden ser medidos
en el sistema de fermentación (biomasa y substrato principalmente) son las Redes Neuronales Diferenciales (RND). Con las
RND es posible realizar la estimación de los estados aun cuando existe incertidumbre en la estructura o en los parámetros, de hecho, es posible realizar la estimación en ausencia de un modelo matemático del sistema y en presencia de perturbaciones acotadas en el estado y la salida. La velocidad específica de crecimiento experimetal estimada,
bμ Expt, se estima observando el error entre la biomasa experimental y la biomasa estimada, XExpt−bXExpt, utilizando el algoritmo de estimación propuesto por Dochain (estimador de μt). El algoritmo matemático propuesto en este trabajo para estimar el parámetro kLat, esta basado en la observación del error entre la dinámica de evolución del oxígeno disponible en línea (mediciones) y la dinámica de estimación de oxígeno estimado,CExpt−bCExpt. El algoritmo de estimación contiene en su estructura información que debe de estar disponible en línea (información apriori) del proceso de biotransformación, a saber, biomasa, substrato y oxígeno. Razón por la cual, el algoritmo diseñado se acopla con el modelo de la RND
y el estimador de Dochain (para estimar μt) con lo cual se logra un sistema de estimación com-pletamente determinado, es decir, el sensor virtual. Para probar el desempeño de el observador propuesto se emplean en una base de datos experimentales, para dos tipos de cultivos (S.cerevisiaey A. vinelandii), reactor lote alimentado y reactor lote, respectivamente. Los resu ltados obtenidos muestran un aceptable desempeño del estimador para kLat en toda la evolución de los cultivos. Para
A.vinelandii el porcentaje de error del proceso de estimación fue de 1.45 % para el cultivo de A. vinelandii y7.1%para S.cerevisiae
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 () 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
k()CtLa. 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 ˆ()()Ct Ct−. 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 oxygen’s 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.