identificação e controlo adaptativo de processos biotecnológicos
Transcrição
identificação e controlo adaptativo de processos biotecnológicos
EUGÉNIO MANUEL DE FARIA CAMPOS FERREIRA IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS UNIVERSIDADE DO PORTO FACULDADE DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA QUÍMICA 1995 EUGÉNIO MANUEL DE FARIA CAMPOS FERREIRA IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS Dissertação para Doutoramento em Engenharia Química na Faculdade de Engenharia da Universidade do Porto UNIVERSIDADE DO PORTO FACULDADE DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA QUÍMICA 1995 Provas de Doutoramento realizadas em 11 de Julho de 1995 Constituição do Júri Presidente: Doutor Jorge Leite Martins de Carvalho, Professor Catedrático da Faculdade de Engenharia da Universidade do Porto Vogais: Doutor Manuel José Magalhães Gomes Mota, Professor Catedrático da Universidade do Minho Doutor João Manuel Lage de Miranda Lemos, Professor Auxiliar do Instituto Superior Técnico da Universidade Técnica de Lisboa Doutor Carlos Albino Veiga da Costa, Professor Associado com Agregação da Faculdade de Engenharia da Universidade do Porto Doutor Sebastião José Cabral Feyo de Azevedo, Professor Associado da Faculdade de Engenharia da Universidade do Porto Tese realizada sob a orientação do Doutor Sebastião José Cabral Feyo de Azevedo Professor Associado UNIVERSIDADE DO PORTO FACULDADE DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA QUÍMICA “O conhecido é finito, o desconhecido infinito; intelectualmente, estamos numa ilha no meio dum oceano ilimitado de inexplicabilidade. O nosso dever em cada geração é recuperar um pouco mais de terra” T. H. HUXLEY “The best model of a cat is another cat or, better, the cat itself” N. WIENER à Madalena a meus Pais: Irene e Eugénio 1 Preâmbulo O autor, tendo concluído a licenciatura em Engenharia Química em 1986, teve de imediato o primeiro contacto com a investigação científica com a atribuição de uma bolsa para trabalhar no INETI (ex-LNETI), no projecto “Produtos Químicos por vias Biotecnológicas”. Os dois primeiros anos foram dedicados à modelação de processos metanogénicos com culturas puras em ambiente anaeróbio. Em 1989 envereda pelo programa de doutoramento cuja dissertação se apresenta neste documento. Esse ano e o seguinte são passados no INETI. O autor participa, durante esse período, num projecto de investigação para a síntese enzimática de ampicilina no âmbito de um programa comunitário. Em 1991 ingressa na Universidade do Minho como assistente, tendo desde essa data conciliado a actividade lectiva com a continuação do seu programa de investigação, agora aplicado à produção de fermento de padeiro. O autor teve oportunidade de realizar vários estágios no estrangeiro (Inglaterra, França e Bélgica), tendo, no âmbito de uma estadia na Universidade Católica de Louvain (UCL), trabalhado com dados provenientes de uma instalação de fermentação etanólica. O fio condutor desta Dissertação é a aplicação da teoria de sistemas à área da engenharia biológica, com aplicação real e/ou virtual a três processos biotecnológicos, a saber: dois processos fermentativos (produção de fermento de padeiro, fermentação etanólica) e um processo bioquímico (síntese enzimática de um antibiótico). O presente trabalho, devido à importante carga matemática, foi orientado fortemente para a investigação teórica, não menosprezando contudo a componente laboratorial de validação de algoritmos. Espera-se que, para além da satisfação pessoal proporcionada, o presente trabalho, que se pensa ser pioneiro em Portugal na abordagem matemática e utilização da teoria de sistemas em biotecnologia, sirva de contributo para investigações em curso ou a desenvolver neste domínio. 2 Ao finalizar esta tese o autor deseja agradecer as ajudas, apoios e a amizade de todos aqueles que o acompanharam. Ao orientador científico, Professor SEBASTIÃO FEYO DE AZEVEDO, gostaria de expressar o seu reconhecimento pelo constante incentivo e por todo o acompanhamento (inicialmente limitado pela distância) científico e humano. Os conselhos encorajadores e o sempre presente optimismo foram determinantes para a realização desta tese. Aos directores do Departamento de Engenharia Biológica da Universidade do Minho Doutora MARIA ODETE MAIA e Professor MANUEL MOTA pelas facilidades concedidas para a execução laboratorial e pelos constantes incentivos. Ao Professor MANUEL MOTA e ao Doutor JOSÉ TEIXEIRA deseja agradecer algumas discussões relativas à produção de fermento de padeiro. Ao Doutor JOSÉ CARDOSO DUARTE pelo convite e acolhimento no seu grupo de Biotecnologia do LNETI. Ao LUÍS M. PEREIRA e J. MENAIA pelo seu companheirismo e introdução à investigação científica, especialmente em anaerobiose. Às colegas no projecto “AMPICILINA” VERA, VIRGÍNIA, ELISABETE e LEONOR pela troca de ideias e empenho na parte experimental. Pela amizade e constantes incentivos não poderia esquecer o JOÃO LOURENÇO e o JOSÉ MATOS. À FILOMENA OLIVEIRA pela colaboração experimental no projecto de produção de fermento de padeiro e pela amizade demonstrada desde sempre. Ao RUI OLIVEIRA pelo interesse que demonstra na abordagem à investigação nesta área e pela contribuição para os problemas de estimação. Ao PEDRO PIMENTA pela colaboração em alguns estudos de simulação. Je voudrais exprimer ma gratitude a GEORGES BASTIN qui m’a permis d’effectuer quelques séjours au sein du Laboratoire d’Automatique, Dynamique et Analyse des Systèmes (LADAS-UCL). Les nombreuses suggestions ont beacoup favorablement influencé la évolution de cette thèse. Je remercie aussi DENIS DOCHAIN pour toutes les discussions fructueuses sur le sujets d’estimation et de contrôle. Sa collaboration et ses éclaircissements on toujours été précieux. Je remercie LIBEI CHEN pour sa sympáthique compagnie et ses nombreux conseils sur l’identification de systèmes. Pour l’accueil chaleureux à chacun de mes passages au LADAS je voudrais remercier VINCENT VAN BREUSEGEM et VINCENT WERTZ. 3 Mes remerciements vont également au Professeur EDMOND-JACQUES NYNS et à PASCALE RENARD pour avoir accepté l’utilisation de certaines données expérimentales provenant de leur laboratoire (Génie Biologique, UCL). Agradece ainda a disponibilidade para o substituir na sua actividade de docência durante uma estadia de 3 meses na Bélgica, às seguintes pessoas: Prof. SEBASTIÃO FEYO DE AZEVEDO, TERESA TAVARES e MADALENA ALVES. A ajuda de MADALENA ALVES e CATARINA FREITAS (IST) foi imprescindível para a instalação e arranque do espectrómetro de massa. O meu reconhecimento à preciosa ajuda técnica prestada pelo indispensável MANUEL SANTOS. Finalmente, é devido um reconhecimento a diversas instituições e organismos que contribuíram para a realização deste trabalho: Universidade do Minho, ao INETI, FEUP e Universidade Católica de Lovaina pela disponibilização de meios e infra-estruturas para a realização deste trabalho; por bolsas concedidas: JNICT no âmbito do programa Mobilizador de Biotecnologia, à Fundação Calouste Gulbenkian, ao British Council, à Fundação Luso-Americana (FLAD) e à Comissão das Comunidades Europeias no âmbito do “BAP - Biotechnology Action Programme”. Aos pais, sogros e Madalena, sua esposa, agradece o constante incentivo à realização desta dissertação. Braga, Abril de 1995 4 Sumário Esta tese tem como objectivos principais a elaboração e implementação de soluções para a monitorização avançada e controlo por computador de processos biotecnológicos. Os processos em estudo incluem dois processos de fermentação, a saber, produção de fermento de padeiro e fermentação etanólica, e um processo enzimático de síntese de ampicilina. São apresentadas as metodologias para a identificação de coeficientes de rendimento através de medições completas do estado. São propostas estratégias de planificação experimental que visam a optimização da riqueza informativa da experiência, quantificada por índices relativos à matriz de informação de FISHER. O objectivo da planificação experimental foi endereçado em termos da programação de trajectórias de entradas. A planificação experimental é ensaiada para o fermento de padeiro com o objectivo de calcular trajectórias de alimentação de substrato. São desenvolvidos sensores por programação para estimação de estados e de parâmetros (taxas de reacção) em processos biotecnológicos. São apresentados algoritmos para a estimação de variáveis de estado não mensuráveis em linha, através de um observador assimptótico que utiliza as variáveis medidas em linha. São desenvolvidos estimadores de taxas de reacção, especialmente das taxas específicas de crescimento. É proposta uma alternativa de sintonização dos ganhos que conduz a uma dinâmica de resposta de 2ª ordem. Os sensores por programação são validados por simulação e em experiências reais para os processos em estudo. Para o fermento de padeiro estimam-se as concentrações de etanol, biomassa e glucose com base em medições de oxigénio e dióxido de carbono dissolvidos e em fase gasosa. São calculadas as três taxas específicas de crescimento através de um estimador de dinâmica de resposta de 2ª ordem e com um estimador baseado no observador. No caso da fermentação etanólica é proposto um estimador da taxa específica de crescimento que não necessita conhecer os coeficientes de rendimento. Os valores obtidos da taxa específica de crescimento permitem calcular em linha as concentrações de biomassa e glucose. A estimação desta última permite detectar os instantes do seu consumo total. Para a síntese enzimática de ampicilina são calculadas as concentrações de ampicilina, metilfenilglicina e metanol por via da medição das concentrações de fenilglicina e ácido 6-aminopenicilânico. São também estimadas as taxas específicas de reacção e a partir destas calculam-se as velocidades de reacção. São propostas leis de controlo adaptativo para a regulação monovariável e regulação multivariável. A síntese das leis de controlo não linear é realizada por técnicas de geometria diferencial com linearização do sistema por retroacção de estado. A adaptação é feita com base na estimação de parâmetros variáveis no tempo. É proposto um novo algoritmo de adaptação com dinâmica de convergência de segunda ordem. Os controladores desenvolvidos, obtidos por redução de ordem do modelo de estado, são verificados por simulação para a produção de fermento de padeiro. O objectivo do controlo monovariável foi endereçado em termos da regulação da concentração de etanol. Na situação de controlo multivariável, pretendeu regular-se as concentrações de etanol e de oxigénio dissolvido. Os resultados obtidos indicam um bom desempenho para as leis de controlo usando diferentes esquemas de adaptação. O estimador de dinâmica de 2ª ordem mostrou, no entanto, os melhores valores para os critérios ITAE e erro médio. A análise da robustez das leis de controlo e de adaptação demonstrou uma boa adequação do modelo reduzido para a síntese de controlo adaptativo baseado em modelo. O controlo multivariável permitiu a obtenção de maiores valores de produtividade e de rendimento. Palavras-chave: Controlo de Processos Biotecnológicos. Identificação de Sistemas. Simulação. Planificação de Experiências. Modelação. Observadores de Estados. Sensores por Programação. Controlo Adaptativo. Saccharomyces cerevisiae. Fermento de Padeiro. Ampicilina. Etanol. 5 Abstract Identification and Adaptive Control of Biotechnological Processes The main objectives of this thesis are the elaboration and implementation of solutions for the advanced monitoring and computer aided control of biotechnological processes. Two fermentation processes are studied (baker’s yeast and ethanolic fermentation) as well as an enzymatic process (ampicillin synthesis). Methodologies are presented that allow the identification of yield coefficients through complete measurements of the state. Experiment design strategies are proposed in order to optimise the richness of data coming out from the experiments, quantified by indexes related to the FISHER information matrix. The objectives of the experimental planning have been addressed in terms of the programming of input trajectories. The experimental planning is tested for baker’s yeast aiming at the computation of the substrate feed trajectories. Software sensors are developed for state and parameter (reaction rates) estimation in biotechnological processes. Algorithms are presented to estimate state variables not measured on line. Reaction rates estimators are developed, particularly for the specific growth rates. An alternative to tuning the gains is proposed, leading to responses with 2nd order dynamics. The software sensors are then validated, by simulation and in real experiments, for the processes under study. The concentrations of ethanol, biomass and glucose are estimated for baker’s yeast production, based on measurements of oxygen and carbon dioxide both for liquid and gaseous phases. The three specific growth rates are calculated by means of a 2nd order dynamics estimator and of an observer based estimator. In the particular case of ethanolic fermentation, an estimator of the specific growth rate is proposed that does not require the knowledge of the yield coefficients. The values obtained for the specific growth rate allow the on line calculation of the biomass and glucose concentrations. For the enzymatic synthesis of ampicillin the concentrations of ampicillin, methylphenylglycine and methanol are calculated by means of the measurements of the concentrations of phenylglycine and 6-aminopenicillanic acid. The specific reaction rates are also estimated and, from these, it is possible to calculate the reaction rates. Adaptive control laws are proposed for both SISO and MIMO regulation. The synthesis of nonlinear control laws is achieved by differential geometry techniques, with system linearization by state feedback. The adaptation is made based on the estimation of time variable parameters. A new adaptation algorithm is proposed, having 2nd order convergence dynamics. The controllers developed, obtained by order reduction of the state model, are verified by simulating the production of baker’s yeast. The goal of the single-variable control has been addressed in terms of the regulation of ethanol concentration. In the MIMO control situation, the main objective has been to regulate the concentration of ethanol and dissolved oxygen. The results obtained show a good performance for the control laws using different adaptation schemes. The 2nd order dynamics estimator has shown, however, the best values for the ITAE and mean error criteria. The robustness analysis for the control and adaptation laws has demonstrated that the reduced model was adequate for the synthesis of model based adaptive control. The MIMO control configuration has lead to higher values of productivity and yield. Keywords: Bioprocess Control. System Identification. Modelling. Simulation. Experiment Design. State Observers. Software-Sensors. Adaptive Control. Saccharomyces cerevisiae. Baker’s Yeast. Ampicillin. Ethanol. 6 Résumé Identification et contrôle adaptatif des procédés biotechnologiques Cette thèse a pour objectif l’élaboration et l’implémentation de solutions pour la suivie et le contrôle par ordinateur de procédés biotechnologiques. Trois procédés ont été étudiés: la production de levure de boulangerie, la fermentation ethanolique et un procédé enzymatique pour la synthèse de l’ampiciline. On a développé des méthodologies pour l'identification des coefficients de rendement avec la mesure de l’état complet. On propose des stratégies de planification expérimentale qui ont pour but d'optimiser la consistance informative de l’expérience, quantifiée par des indexes relatifs à la matrice de l'information de FISHER. Le but de la planification expérimentale a été envisagé en terme de programmation de trajectoires des entrées. La planification expérimentale est testée pour la levure de boulangerie avec le but de calculer les trajectoires d'alimentation en substrat. On a développé des capteurs logiciels pour l’estimation d’état et de paramètres (taux de réactions) en procédés biotechnologiques. On présente des algorithmes pour l’estimation des variables d’état non mesurées en ligne par un estimateur asymptotique qui utilise les variables mesurées en ligne. On développe des estimateurs des taux de réaction, spécialement des taux spécifiques de croissance. On propose une alternative de syntonisation des gains qui conduit à une dynamique de réponse de deuxième ordre. Les capteurs logiciels sont validés par simulation et par expériences réelles pour les procédés étudiés. Pour la levure de boulangerie on a estimé les concentrations d’éthanol, de la biomasse et du glucose en se basant sur les mesures de l’oxygène et du dioxyde de carbone dissous et en phase gazeuse. On calcule les trois taux spécifiques de croissances par un estimateur de dynamique de réponse de deuxième ordre et avec un estimateur en se basant sur l'observateur. Dans le cas de la fermentation éthanolique, on propose un estimateur du taux spécifique de croissance qui ne requiert pas la connaissance des coefficients de rendement. Les valeurs obtenues pour le taux spécifique de croissance permettent de calculer en ligne la concentration de biomasse et celle du glucose. Pour la synthèse enzymatique de l’ampiciline on a calculé les concentrations de l’ampiciline, celle du methyl-phenyl-glycine et celle du méthanol avec la mesure des concentrations de phenyl-glycine et acide 6-aminopenicilanique. On a également estimé les taux spécifiques de réaction et on a calculé à partir de celles-ci, les vitesses de réaction. On propose des lois de contrôle adaptatif pour la régulation mono-variable et régulation multi-variable. La synthèse des lois de contrôle non linéaire est réalisée par des techniques de géométrie différentielle avec linéarization du système par rétroaction d’état. L’adaptation réalisée par estimation des paramètres variables au cours du temps. On propose un nouvel algorithme d'adaptation avec dynamique de convergence de deuxième ordre. Les contrôleurs développés, obtenus par réduction de l'ordre du modèle d’état, sont vérifiés par simulation pour la production de levure de boulangerie. Le but du contrôle mono-variable a été envisagé en termes de régulation de la concentration d'éthanol. Dans la situation de contrôle multi-variable, on a prévu de réguler les concentrations d'éthanol et de l'oxygène dissous. Les résultats obtenus indiquent une bonne performance pour les lois de contrôle utilisant différents schémas d'adaptation. L’estimateur de dynamique de deuxième ordre a montré les meilleures valeurs pour les critères ITAE et ceux de l’erreur moyenne. L’analyse de la robustesse des lois de contrôle et d'adaptation ont démontré une bonne adéquation du modèle réduit pour la synthèse de contrôle adaptatif. Le contrôle multi-variable a permis l’obtention de meilleures valeurs de productivité et de rendement. Mots clés: Contrôle des bioprocédés. Identification des systèmes. Modélisation. Simulation. Planification des expériences. Estimateurs d’état. Capteurs logiciels. Contrôle adaptatif. Saccharomyces cerevisiae. Ampiciline. Ethanol. 7 Índice PREÂMBULO..................................................................................................................................................1 SUMÁRIO ........................................................................................................................................................4 ABSTRACT .......................................................................................................................................................5 RÉSUMÉ ...........................................................................................................................................................6 ÍNDICE .............................................................................................................................................................7 LISTA DE TABELAS....................................................................................................................................12 LISTA DE FIGURAS ....................................................................................................................................14 LISTA DE SÍMBOLOS .................................................................................................................................18 1. INTRODUÇÃO ........................................................................................................................................23 1.1 CONTEXTO E MOTIVAÇÃO .............................................................................................................24 1.1.1 A Biotecnologia ........................................................................................................................24 1.1.2 Aspectos Económicos ...............................................................................................................27 1.1.3 Metodologias de Desenvolvimento...........................................................................................28 1.1.4 Operação Assistida por Computador.......................................................................................29 1.1.4.1 Perspectiva Histórica..................................................................................................................... 30 1.1.5 Metodologias Adaptativas........................................................................................................34 1.1.6 Processos biotecnológicos em estudo ......................................................................................34 1.1.6.1 Produção de fermento de padeiro .................................................................................................. 34 1.1.6.2 Fermentação etanólica................................................................................................................... 35 1.1.6.3 Síntese enzimática de ampicilina .................................................................................................. 35 1.2 OBJECTIVOS E METODOLOGIA .......................................................................................................36 1.2.1 Produção de fermento de padeiro ............................................................................................37 1.2.2 Fermentação etanólica.............................................................................................................37 1.2.3 Síntese enzimática de ampicilina .............................................................................................37 1.3 ORGANIZAÇÃO DA TESE.................................................................................................................38 1.4 BIBLIOGRAFIA ................................................................................................................................41 8 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS .................................................................45 2.1 PRODUÇÃO DE FERMENTO DE PADEIRO ..........................................................................................46 2.1.1 Introdução ................................................................................................................................46 2.1.2 Aspectos biológicos ..................................................................................................................46 2.1.3 Aspectos metabólicos ...............................................................................................................48 2.1.4 Aspectos processuais................................................................................................................54 2.2 FERMENTAÇÃO ETANÓLICA ...........................................................................................................55 2.3 SÍNTESE ENZIMÁTICA DE AMPICILINA.............................................................................................56 2.3.1 Características da ampicilina ..................................................................................................56 2.3.2 Métodos de produção ...............................................................................................................57 2.3.2.1 Síntese química ............................................................................................................................. 57 2.3.2.2 Produção microbiológica............................................................................................................... 57 2.3.2.3 Isolamento e purificação ............................................................................................................... 57 2.3.3 2.4 Síntese enzimática laboratorial................................................................................................57 BIBLIOGRAFIA ................................................................................................................................60 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS .......................................................63 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO ..........................................................................................64 3.1.1 Fermentação.............................................................................................................................64 3.1.1.1 Microrganismo .............................................................................................................................. 64 3.1.1.2 Meio de cultura ............................................................................................................................. 64 3.1.1.3 Fermentador .................................................................................................................................. 65 3.1.1.4 Condições experimentais............................................................................................................... 69 3.1.2 Métodos de análise em linha ....................................................................................................69 3.1.2.1 Análise de gases por espectrometria de massa .............................................................................. 69 3.1.2.2 Análise da concentração de etanol dissolvido ............................................................................... 74 3.1.3 Análises em diferido .................................................................................................................75 3.1.3.1 Determinação da concentração de glucose.................................................................................... 75 3.1.3.2 Determinação da concentração de biomassa ................................................................................. 75 3.1.4 3.2 Sistema informático..................................................................................................................76 FERMENTAÇÃO ETANÓLICA ...........................................................................................................78 3.2.1 Fermentação.............................................................................................................................78 3.2.1.1 Inóculo .......................................................................................................................................... 78 3.2.1.2 Meio de cultura ............................................................................................................................. 78 3.2.1.3 Reactor .......................................................................................................................................... 79 3.2.2 Métodos de análise em linha ....................................................................................................80 3.2.2.1 Determinação da concentração de dióxido de carbono em fase gasosa......................................... 80 3.2.2.2 Determinação da “concentração” de biomassa.............................................................................. 80 3.2.2.3 Caudal volumétrico de gás ............................................................................................................ 80 3.2.3 Análises em diferido .................................................................................................................81 3.2.3.1 Determinação da concentração de glucose.................................................................................... 81 9 3.2.3.2 3.2.4 3.3 Determinação da concentração de etanol ...................................................................................... 81 Sistema informático..................................................................................................................81 SÍNTESE ENZIMÁTICA DE AMPICILINA.............................................................................................82 3.3.1 Reacção bioquímica .................................................................................................................82 3.3.1.1 Enzima e reagentes principais ....................................................................................................... 82 3.3.1.2 Reactor .......................................................................................................................................... 82 3.3.2 Métodos de análise...................................................................................................................83 3.3.2.1 Determinação das concentrações de metilfenilglicina, ácido 6-amino-penicilânico e fenilglicina 83 3.3.2.2 Determinação da concentração de ampicilina ............................................................................... 83 3.4 BIBLIOGRAFIA ................................................................................................................................83 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS....................................................87 4.1 INTRODUÇÃO .................................................................................................................................88 4.2 CLASSES DE MODELOS MATEMÁTICOS ...........................................................................................88 4.3 MODELO DINÂMICO DE REACTORES BIOLÓGICOS ...........................................................................91 4.3.1 Modelação das taxas de reacção .............................................................................................94 4.3.1.1 A taxa específica de crescimento .................................................................................................. 95 4.3.1.2 Modelação da formação de um produto de síntese - A taxa específica de produção..................... 97 4.4 DINÂMICA DA FASE GASOSA ..........................................................................................................98 4.5 DINÂMICA DE GASES DISSOLVIDOS ................................................................................................99 4.5.1 Dinâmica do oxigénio dissolvido .............................................................................................99 4.5.2 Dinâmica do dióxido de carbono dissolvido..........................................................................102 4.5.3 O quociente respiratório ........................................................................................................106 4.6 MODELO MATEMÁTICO PARA A PRODUÇÃO DE FERMENTO DE PADEIRO .......................................107 4.7 MODELO MATEMÁTICO PARA A FERMENTAÇÃO ETANÓLICA ........................................................111 4.8 MODELO MATEMÁTICO PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA .........................................113 4.9 SÍNTESE .......................................................................................................................................115 4.10 BIBLIOGRAFIA ..............................................................................................................................115 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS..........................................119 5.1 INTRODUÇÃO À IDENTIFICAÇÃO DE SISTEMAS ..............................................................................120 5.2 IDENTIFICAÇÃO DE COEFICIENTES DE RENDIMENTO .....................................................................121 5.3 PLANIFICAÇÃO DE EXPERIÊNCIAS.................................................................................................125 5.3.1 A matriz de informação ..........................................................................................................125 5.3.2 Critérios de optimalidade na medição da informação...........................................................128 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO ..........................................................129 5.4.1 Projecto dos regressores para o modelo global a três reacções ...........................................130 5.4.2 Projecto dos regressores para os modelos parciais a duas reacções....................................133 5.4.3 Resultados ..............................................................................................................................136 5.5 5.5.1 IDENTIFICAÇÃO NA FERMENTAÇÃO ETANÓLICA ...........................................................................144 Projecto do regressor.............................................................................................................144 10 5.5.2 Resultados ..............................................................................................................................146 5.5.2.1 Identificação experimental .......................................................................................................... 146 5.5.2.2 Validação experimental............................................................................................................... 150 5.6 IDENTIFICAÇÃO NA SÍNTESE ENZIMÁTICA DE AMPICILINA ............................................................153 5.7 SÍNTESE .......................................................................................................................................154 5.8 BIBLIOGRAFIA ..............................................................................................................................155 6. MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO ............................159 6.1 INTRODUÇÃO ...............................................................................................................................160 6.2 OBSERVADORES DE ESTADOS .......................................................................................................163 6.3 ESTIMADORES DE CINÉTICA .........................................................................................................167 6.3.1 Introdução ..............................................................................................................................167 6.3.2 Estimadores baseados em observadores................................................................................170 6.3.3 Estimadores de dinâmica de segunda ordem .........................................................................172 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO ........................175 6.4.1 Introdução ..............................................................................................................................175 6.4.2 Projecto de observadores assimptóticos ................................................................................175 6.4.3 Projecto de estimadores de cinética.......................................................................................178 6.4.4 Resultados ..............................................................................................................................181 6.4.4.1 Estimação de estado .................................................................................................................... 182 6.4.4.2 Estimação da cinética .................................................................................................................. 184 6.5 OBSERVADORES E ESTIMADORES PARA A FERMENTAÇÃO ETANÓLICA .........................................189 6.5.1 Introdução ..............................................................................................................................189 6.5.2 Projecto de observadores e estimadores................................................................................190 6.5.3 Resultados ..............................................................................................................................193 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA...........................197 6.6.1 Introdução ..............................................................................................................................197 6.6.2 Projecto de observadores assimptóticos ................................................................................198 6.6.3 Projecto de estimadores de cinética.......................................................................................200 6.6.4 Resultados ..............................................................................................................................202 6.6.4.1 Apresentação da experiência ....................................................................................................... 202 6.6.4.2 Estimação de estado .................................................................................................................... 203 6.6.4.3 Estimação de cinética .................................................................................................................. 206 6.7 SÍNTESE .......................................................................................................................................212 6.8 BIBLIOGRAFIA ..............................................................................................................................213 7. CONTROLO ADAPTATIVO ...............................................................................................................219 7.1 INTRODUÇÃO GERAL AO CONTROLO.............................................................................................220 7.2 INTRODUÇÃO AO CONTROLO ADAPTATIVO ...................................................................................222 7.2.1 Aspectos gerais.......................................................................................................................222 7.2.2 Controlo auto-sintonizável .....................................................................................................222 11 7.2.3 Modelo de referência..............................................................................................................223 7.2.4 Controlo adaptativo não linear..............................................................................................223 7.2.5 Controlo preditivo de horizonte recidivo ...............................................................................223 7.2.6 Controlo robusto adaptativo ..................................................................................................224 7.2.7 Estimação e controlo inferencial ...........................................................................................224 7.2.8 Perturbações singulares.........................................................................................................224 7.2.9 Controlo óptimo .....................................................................................................................225 7.3 CONTROLO ADAPTATIVO LINEARIZANTE ......................................................................................225 7.3.1 Controlo monovariável ..........................................................................................................227 7.3.2 Controlo multivariável ...........................................................................................................230 7.4 LEIS DE ADAPTAÇÃO ....................................................................................................................231 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO .................................................................234 7.5.1 Introdução ..............................................................................................................................234 7.5.2 Controlo adaptativo monovariável ........................................................................................237 7.5.2.1 Modelo global a 3 reacções ......................................................................................................... 238 7.5.2.2 Modelo parcial ............................................................................................................................ 241 7.5.2.3 Resultados ................................................................................................................................... 244 7.5.3 Controlo adaptativo multivariável .........................................................................................254 7.5.3.1 Resultados ................................................................................................................................... 257 7.6 SÍNTESE .......................................................................................................................................265 7.7 BIBLIOGRAFIA ..............................................................................................................................266 8. CONCLUSÕES E RECOMENDAÇÕES ............................................................................................273 APÊNDICES.................................................................................................................................................277 APÊNDICE A: MODELO DE SIMULAÇÃO DA PRODUÇÃO DE FERMENTO DE PADEIRO ...279 1. MODELO CINÉTICO ................................................................................................................................279 2. MODELO DINÂMICO DO FERMENTADOR .................................................................................................283 3. BIBLIOGRAFIA .......................................................................................................................................285 APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES.....................................................................................................................................287 1. ESTABILIDADE E SINTONIZAÇÃO DO ESTIMADOR EBO ..........................................................................287 2. ESTABILIDADE E SINTONIZAÇÃO DO ESTIMADOR EDSO (II)..................................................................289 3. ALGUMAS CONSIDERAÇÕES SOBRE A IMPLEMENTAÇÃO NUMÉRICA .......................................................292 4. BIBLIOGRAFIA .......................................................................................................................................295 12 Lista de Tabelas Tabela 1.1 Tipos de reactores biológicos ........................................................................................................27 Tabela 2.1 Composição em açucares para diferentes melaços .......................................................................49 Tabela 3.1 Composição do meio de cultura para produção de fermento de padeiro......................................65 Tabela 3.2 Tipo de controlo das variáveis ambientais ....................................................................................66 Tabela 3.3 Instalação de fermentação para produção de fermento de padeiro ..............................................68 Tabela 3.4 Referências para controlo das variáveis ambientais .....................................................................69 Tabela 3.5 Composição da mistura de gases de calibração do espectrómetro de massa ...............................71 Tabela 3.6 Interfaces de aquisição e comunicação de dados ..........................................................................77 Tabela 3.7 Composição do meio de cultura para a fermentação etanólica ....................................................79 Tabela 4.1 Pares de grupos de modelos matemáticos .....................................................................................90 Tabela 4.2 Influência do modo de operação de reactores biológicos no modelo dinâmico geral ..................94 Tabela 4.3 Correspondência do balanço à formação de um produto de síntese ao modelo geral de reactores biológicos .......................................................................................................................................98 Tabela 4.4 Correspondência do balanço ao oxigénio ao modelo geral de reactores biológicos..................102 Tabela 4.5 Correspondência do balanço ao dióxido de carbono ao modelo geral de reactores biológicos 106 Tabela 4.6 Estado metabólico vs. quociente respiratório..............................................................................108 Tabela 5.1 Partições induzidas de K e correspondente matriz A ..................................................................134 Tabela 5.2 Expressões de cálculo dos coeficientes de rendimento ................................................................135 Tabela 5.3 Valores iniciais para a simulação................................................................................................136 Tabela 5.4 Condições de operação das diferentes experiências de simulação .............................................137 Tabela 5.5 Valores calculados de coeficientes de rendimento para o período respiro-fermentativo............139 Tabela 5.6 Valores calculados de coeficientes de rendimento para o período respirativo ...........................139 -1 -1 Tabela 5.7 Coeficientes de Rendimento (mmol.L .NTU ) ............................................................................150 Tabela 5.8 Coeficientes de rendimento ..........................................................................................................154 Tabela 6.1 Sintonização baseada em dinâmica de 2ª ordem para estimação de cinéticas de reacções........173 Tabela 6.2 Exemplos de observadores na produção de fermento de padeiro ...............................................175 Tabela 6.3 Exemplos de estimadores na produção de fermento de padeiro..................................................175 Tabela 6.4 Partições induzidas de K e correspondente matriz A ..................................................................176 Tabela 6.5 Valores iniciais para a simulação................................................................................................181 -1 Tabela 6.6 Valores iniciais para as equações do observador (g.L ) ............................................................183 Tabela 6.7 Efeito da variação de ζ para τ = 0.15 h ......................................................................................187 Tabela 6.8 Efeito da variação de τ para ζ = 1.0 ...........................................................................................187 13 Tabela 6.9 Valores dos ganhos para o estimador baseado no observador ...................................................188 Tabela 6.10 Valores iniciais para o estimador da taxa específica de crescimento .......................................193 Tabela 6.11 Parâmetros de sintonização dos estimadores ............................................................................206 Tabela 6.12 Valores iniciais para o estimador de cinéticas ..........................................................................206 Tabela 7.1 Exemplos de controlo da produção semi-contínua de fermento de padeiro................................236 Tabela 7.2 Exemplos de controlo multivariável na produção semi-contínua de fermento de padeiro..........237 Tabela 7.3 Equações de estado para os modelos parciais ............................................................................241 Tabela 7.4 Quadro resumo do modelo de entrada/saída...............................................................................243 Tabela 7.5 Valores iniciais para a simulação................................................................................................244 Tabela 7.6 Valores dos parâmetros θi ...........................................................................................................246 Tabela 7.7 Comparação das leis de adaptação através dos critérios ITAE e erro médio.............................246 Tabela 7.8 Comparação do presença ou ausência da antecipação...............................................................249 Tabela 7.9 Quadro resumo do modelo de entrada/saída para o controlo multivariável ..............................256 Tabela 7.10 Valores dos parâmetros θi .........................................................................................................258 Tabela 7.11 Comparação das leis de adaptação através dos critérios ITAE e erro médio...........................259 Tabela A.1 Parâmetros cinéticos ...................................................................................................................282 Tabela A.2 Valores de coeficientes de rendimento ........................................................................................285 Tabela B.1 Valores próprios do sistema discreto de erros do estimador EDSO e correspondentes tempos de amostragem..................................................................................................................................294 14 Lista de Figuras Figura 1.1 Fases do crescimento de um microrganismo em cultura descontínua...........................................25 Figura 1.2 Perfis de concentração de microrganismo (X), substrato (S) e produto (P) para dois tipos de formação de produto: (I) associado ao crescimento, (II) não associado ao crescimento .............26 Figura 1.3 Valor comercial de alguns produtos das indústrias de fermentação.............................................27 Figura 1.4 Investigação na área de modelação e controlo em processos biotecnológicos.............................34 Figura 1.5 Organização da tese por capítulos ................................................................................................40 Figura 2.1 Reprodução duma célula típica de levedura..................................................................................47 Figura 2.2 Mapa metabólico simplificado da utilização da glucose pela S. cerevisiae ..................................51 Figura 2.3 Representação esquemática do metabolismo da glucose em S. cerevisiae....................................52 Figura 2.4 Representação esquemática da capacidade respiratória limitada ................................................54 Figura 2.5 Estrutura química da ampicilina ...................................................................................................56 Figura 2.6 Esquema reaccional da síntese de ampicilina ...............................................................................59 Figura 3.1 Esquema da instalação experimental para a produção de fermento de padeiro...........................67 Figura 3.2 Espectro de massas para os componentes puros ...........................................................................73 Figura 3.3 Sistema reaccional para a síntese enzimática de ampicilina.........................................................82 Figura 4.1 Reactor biológico perfeitamente agitado.......................................................................................91 Figura 5.1 Sistema com entradas, saídas e perturbações..............................................................................120 Figura 5.2 Conteúdo informativo medido em termos de optimalidade D para várias experiências .............138 Figura 5.3 Elipses de desvios dos parâmetros θi para os períodos de funcionamento em regime respirofermentativo (a) e em regime respirativo (b) para o problema de identificação através de modelos parciais.........................................................................................................................................140 Figura 5.4 Experiência de identificação com perfil de alimentação exponencial (Simulação 4). (a) perfis de biomassa, etanol e dióxido de carbono (traço - valores “reais”, pontos - validação); (b) perfis de glucose e oxigénio; (c) taxas de transferência de oxigénio e de dióxido de carbono; (d) perfil de alimentação: caudal e taxa de diluição .......................................................................................141 Figura 5.5 Perfis de taxas específicas de crescimento (a) e perfis dos regressores (b) ................................142 Figura 5.6 Efeito da concentração de glucose na alimentação e do tempo de operação no grau de riqueza informativo para o período respiro-fermentativo ........................................................................143 Figura 5.7 Efeito da concentração de glucose na alimentação e do tempo de operação no grau de riqueza informativo para o período respirativo........................................................................................143 Figura 5.8 Taxa de diluição e volume de reactor ..........................................................................................147 Figura 5.9 Perfis de concentração de glucose, etanol e biomassa................................................................148 15 Figura 5.10 Caudal volumétrico de dióxido de carbono à saída do reactor: (a) dados em bruto, (b) dados filtrados. Taxa de transferência de dióxido de carbono (c) .........................................................149 Figura 5.11 Ajuste das equações de regressão de cálculo dos coeficientes de rendimento ..........................150 Figura 5.12 Taxa de diluição e volume de reactor ........................................................................................151 Figura 5.13 Caudal volumétrico de dióxido de carbono à saída do reactor: (a) dados em bruto, (b) dados filtrados. Taxa de transferência de dióxido de carbono (c) .........................................................152 Figura 5.14 Validação experimental da identificação dos coeficientes de rendimento ................................153 Figura 6.1 Sensores por programação ..........................................................................................................160 Figura 6.2 Esquema geral de um estimador - observador ............................................................................161 Figura 6.3 Observador assimptótico .............................................................................................................166 Figura 6.4 Perfis de caudal de alimentação (a), volume do reactor (b) e taxa de diluição (c).....................181 Figura 6.5 Perfis das pseudo medidas das concentrações de oxigénio dissolvido (a) e de dióxido de carbono dissolvido (b)................................................................................................................................182 Figura 6.6 Perfis de pseudo medidas de taxa de transferência de oxigénio (a) e taxa de transferência de dióxido de carbono (b) .................................................................................................................183 Figura 6.7 Perfis das estimativas das concentrações de biomassa (a), glucose (b) etanol (c). (Traço - valores pseudo reais, Pontos - valores estimados) ...................................................................................184 Figura 6.8 Taxa específica de crescimento para a respiração da glucose: (a) efeito da variação de ζ para τ constante, (b) efeito da variação de τ para ζ constante (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) ........................................................................185 Figura 6.9 Taxa específica de crescimento para a fermentação da glucose: (a) efeito da variação de ζ para τ constante, (b) efeito da variação de τ para ζ constante (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) ........................................................................186 Figura 6.10 Taxa específica de crescimento para a respiração do etanol: (a) efeito da variação de ζ para τ constante, (b) efeito da variação de τ para ζ constante (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) ........................................................................186 Figura 6.11 Validação da estimação através do quociente respiratório.......................................................188 Figura 6.12 Taxas específica de crescimento: (a) respiração da glucose, (b) fermentação da glucose, (c) respiração do etanol (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) ....................................................................................................................................189 Figura 6.13 Perfil de concentração de etanol ...............................................................................................194 Figura 6.14 Valores estimados de taxa específica de crescimento................................................................195 Figura 6.15 Perfis de concentração de biomassa (a) e de glucose (b)..........................................................196 Figura 6.16 Estimação da variável ψ e valores da pseudo medida ψm .........................................................196 Figura 6.17 Estimavas em linha do coeficiente de rendimento k2 .................................................................197 Figura 6.18 Perfis de taxa de diluição (a) e caudais de alimentação dos reagentes (b)...............................203 Figura 6.19 Variáveis de estado pseudo medidas em linha: (a) 6-APA, (b) FG ...........................................204 Figura 6.20 Variáveis de estado estimadas em linha: (a) MFG, (b) Ampicilina, (c) Metanol ......................205 Figura 6.21 Comparação entre as estimativas para k1 = k2 =0.7 e k1 = k2 =1.0..........................................205 16 Figura 6.22 Perfis das variável ψ1 (a) e ψ2 (b)..............................................................................................207 Figura 6.23 Perfis de estimativas das taxas específicas de reacção (a) ρ1, (b) ρ2 ........................................207 Figura 6.24 Perfis de estimativas das taxas de reacção (a) ϕ1, (b) ϕ2, (c) ϕ3 ...............................................208 Figura 6.25 Validação da estimação das cinéticas: comparação entre valores medidos e valores estimados para (a) concentração de fenilglicina, (b) ampicilina .................................................................209 Figura 6.26 Perfis dos ganhos dos estimadores: (a) ω1 (b) ω2 (c) Ω1 (d) Ω2 (a, b, c, d - colocação de pólos; c, d - dinâmica de 2ª ordem) ........................................................................................................209 Figura 6.27 Efeito do coeficiente de amortecimento ζ na estimação de ρ1 (a) e ρ2 (b) ................................210 Figura 6.28 Efeito da constante de tempo τ na estimação de ρ1 (a) e ρ2 (b).................................................211 Figura 6.29 Efeito da posição do pólo na estimação de ρ1 (a) e ρ2 (b).........................................................212 Figura 7.1 Estrutura da configuração de controlo por retroacção...............................................................221 Figura 7.2 Controlo adaptativo .....................................................................................................................223 Figura 7.3 Controlo inferencial.....................................................................................................................225 Figura 7.4 Controlo convencional vs. Controlo linearizante ........................................................................226 Figura 7.5 Erro de convergência...................................................................................................................228 * Figura 7.6 Controlo do etanol para E = 0.5 (a) e a correspondente acção de controlo (b)........................247 Figura 7.7 Comparação das estimativas (traço) dos parâmetros θ2 (a) e θ3 (b) com os valores verdadeiros (linha contínua)............................................................................................................................248 Figura 7.8 Alteração de ±10% no valor de referência ..................................................................................248 Figura 7.9 Efeito da antecipação para alterações de ±50% na carga Se ......................................................250 Figura 7.10 Estimativas dos parâmetros θ2 e θ3 (traços) para alteração na carga......................................250 Figura 7.11 Efeito do ruído na medição do etanol e taxa de transferência de oxigénio...............................251 Figura 7.12 Estimativas dos parâmetros θ2 e θ3 (traços) para medições com ruído ....................................251 Figura 7.13 Efeito da utilização de diferentes valores iniciais de θ2 e θ3 .....................................................253 Figura 7.14 Estimativas de θ2 e θ3 para valores iniciais diferentes ..............................................................253 Figura 7.15 Arranque da fermentação com regulação do etanol..................................................................254 Figura 7.16 Controlo do etanol (a) e do oxigénio dissolvido (b) com as correspondentes acções de controlo (c, d) - lei de adaptação EDSO ....................................................................................................260 Figura 7.17 Estimativas (traço) dos parâmetros θ1 (c) e θ3 (d) através da lei de adaptação EDSO versus valores verdadeiros (linha contínua); perfil do regressor (a) e do quociente respiratório (b) ...261 Figura 7.18 Controlo do etanol (a) e do oxigénio dissolvido (b) e correspondentes acções de controlo (c e d) para a lei de adaptação MQR......................................................................................................261 Figura 7.19 Estimativas dos parâmetros θ1 (c) e θ3 (d) através da lei de adaptação MQR; perfil do regressor (a) e do quociente respiratório (b)...............................................................................................262 Figura 7.20 Controlo do etanol (a) e do oxigénio dissolvido (b) e correspondentes acções de controlo (c e d) para medições com ruído branco.................................................................................................263 Figura 7.21 Estimativas dos parâmetros θ1 (c) e θ3 (d) para medições com ruído branco; perfil do regressor (a) e do quociente respiratório (b)...............................................................................................263 17 Figura 7.22 Efeito da utilização de diferentes valores iniciais de θ1 e θ3 .....................................................264 Figura 7.23 Estimativas de θ1 (c) e θ3 (d) para valores iniciais diferentes; perfil do regressor (a) e do quociente respiratório (b) ............................................................................................................265 Figura A.1 Esquema de cálculo das taxas específicas de crescimento na produção de fermento de padeiro ......................................................................................................................................................283 18 Lista de Símbolos LETRAS LATINAS MAIÚSCULAS A B C C Csat CG,CO matriz função de coeficientes de rendimento vector de perturbação externa concentração de dióxido de carbono na fase líquida matriz (diagonal) de calibração concentração de saturação de dióxido de carbono dissolvido concentração molar de dióxido de carbono na fase gasosa (ML ) -3 (ML ) sat CL,i concentração (molar) de saturação na fase líquida para o componente i (ML ) CL,i D concentração (molar) na fase líquida para o componente i taxa de diluição (ML ) -1 (T ) -3 (ML ) -3 2 i -3 -3 2 -1 LT DL difusividade de fase líquida para o componente i E F Fe Fi FI Fs Ge Gs H HCO concentração de etanol (ML ) -1 -3 vector de caudais (mássicos) de entradas líquidas no reactor (MT L ) -1 caudal (mássico) de alimentação do reactor na forma líquida (MT ) -1 caudal (mássico) de alimentação do reactor na forma líquida, para o componente i (MT ) matriz de informação de Fisher -1 caudal (mássico) de saída do reactor na forma líquida (MT ) -1 caudal (molar) de entrada de gás (MT ) -1 caudal (molar) de saída de gás (MT ) -3 matriz diagonal função das concentrações das variáveis de estado (ML ) constante de HENRY para o dióxido de carbono -3 2 I Io K + intensidade medida intensidade de referência matriz de coeficientes de rendimento ou coeficientes estequiométricos Ka inversa generalizada ou a pseudo-inversa da matriz Ka KC vector dos coeficientes de rendimento para o dióxido de carbono i KLa KO Ks L L M, Mi NC O Osai P P P P coeficiente global de transferência de massa para o componente i vector dos coeficientes de rendimento para o oxigénio parâmetro de saturação comprimento da célula de medida matriz n×n de permutação de linhas massa molar; massa molar do componente i número de condicionamento concentração de oxigénio dissolvido concentração de saturação de oxigénio dissolvido produtividade vector dos sinais desacoplados concentração na fase líquida para o produto de síntese pressão total -1 (T ) (L) (M) -3 (ML ) -3 (ML ) -1 (ML-3T ) -3 (ML ) -1 --2 (ML T ) 19 -3 P1 P2 P3 Q Qe QP Qs concentração de fenilglicina (ML ) -3 concentração de ampicilina (ML ) -3 concentração de metanol (ML ) -3 -1 vector de caudais mássicos de saídas gasosas do reactor (ML T ) -3 -1 caudal volumétrico de entrada de gás (L T ) -3 -1 caudal mássico gasoso de saída do produto P por unidade de volume de reactor (ML T ) -3 -1 caudal volumétrico de saída de gás (L T ) e caudal mássico do componente i gasoso à entrada do reactor Qi s -1 (MT ) -1 Qi R R R -1 R Si Sij S S Se S1 S2 T T Tt U caudal mássico do componente i gasoso à saída do reactor (MT ) constante dos gases perfeitos matriz de fragmentação rendimento global matriz de desconvolução intensidade (ou altura) total do pico ou sinal contribuição do componente j para a intensidade do pico da massa i vector dos sinais gerados pelo espectrómetro -3 concentração de glucose (ML ) -3 concentração de glucose no meio de alimentação (ML ) -3 concentração de ácido 6-aminopenicilânico (ML ) -3 concentração de metilfenilglicina (ML ) temperatura absoluta (θ) período de amostragem (T) tempo total da experiência (T) vector que representa o balanço entre entradas e/ou saídas de substratos e -3 -1 produtos gasosos (ML T ) Volume de líquido no reactor (L) volume de fase gasosa (L) -3 concentração em biomassa (ML ) vector das observações -3 vector transformação de estado resultante de uma partição no modelo de estado (ML ) V VG X Ym Z LETRAS LATINAS MINÚSCULAS a c d d e h ki kij n nj nT m p pi qs max qs resp qs t ri u x coeficiente de absorção -3 concentração (ML ) vector de perturbações medidas diâmetro das elipsóides de desvios erro na medição elemento da matriz H coeficientes de rendimento coeficientes de rendimentos ou coeficientes estequiométricos do componente j na reacção i número de variáveis de estado número de componentes envolvidos na reacção j número de pontos experimentais número de reacções; número de entradas de controlo característica da matriz K; vector com posições de pólos no plano Z (0 a 1) -1 --2 pressão parcial do componente i (ML T ) -1 taxa específica (total) de consumo de glucose (T ) valor máximo para taxa específica de consumo de glucose taxa específica de consumo respirativo de glucose tempo velocidade de reacção i vector de entradas vector de variáveis de estado -1 (T ) -1 (T ) (T) -3 -1 (ML T ) 20 y y ye,i ys,i w z vector de saídas medidas fracção molar fracção molar (ou volúmica) do componente i na corrente gasosa de entrada fracção molar (ou volúmica) do componente i na corrente gasosa de saída vector de perturbações não medidas; ruído branco vector de saídas não medidas; observações LETRAS GREGAS MAIÚSCULAS Φ Γ Λ Ω Ψ matriz de funções de estado matriz de ganhos dos estimadores matriz de ganhos das leis de controlo matriz de ganhos dos estimadores matriz de funções de estado LETRAS GREGAS MINÚSCULAS j αi β δ ε razão entre os coeficientes de rendimento j e i constante de proporcionalidade grau relativo (ordem da equação diferencial) erro de estimação; erro de controlo vector regressor ganho; factor de esquecimento para o método dos mínimos quadrados recursivos vector de velocidades de reacção valor próprio da matriz de informação de FISHER; ganho da lei de controlo taxa específica de crescimento (T ) taxa específica de crescimento fermentativo em glucose (T ) taxa específica de crescimento respirativo em etanol (T ) µs taxa específica de crescimento respirativo em glucose (T ) µ max θ τ υ υp ξ ξGe,i ξGs,i ρj ξj ξL,i taxa específica máxima de crescimento vector de parâmetros do modelo período natural de oscilação taxa específica de produção taxa específica de produção não associada ao crescimento vector de estado constituído pelas concentrações dos componentes concentração mássica do componente i na corrente gasosa de entrada no reactor concentração mássica do componente i na corrente gasosa à saída do reactor taxa específica de reacção j variável de estado (concentração do componente j) concentração mássica do componente i no reactor (fase líquida) (T ) φ γ ϕ λ µ r µs o µe o sat ξL,i ω ψ ζ concentração mássica de saturação do componente i no reactor (fase líquida) ganho matriz de transformação de estado coeficiente de amortecimento ÍNDICES a, b e f l m designa partição entrada condições finais da fermentação refere-se a uma linha de uma dada matriz medida -1 -1 -1 -1 -1 (T) -1 (T ) -1 (T ) -3 (ML ) -3 (ML ) -3 (ML ) -1 (T ) -3 (ML ) -3 (ML ) -3 (ML ) 21 max min R RF r s máximo mínimo respirativo respiro-fermentativo partição de dinâmica rápida partição de dinâmica lenta; subconjunto; saída NOTAÇÃO MATEMÁTICA T Transposta de uma matriz inversa de uma matriz pseudo-inversa de uma matriz valor estimado erro de estimação; determinante média -1 + ^ ~ – . * cov diag det E{...} ƒ(Z|θ) In [...] δ ∂ ... derivada em ordem ao tempo (d/dt) valor de referência co-variância designa uma matriz diagonal determinante operador estatístico esperança função densidade de probabilidade condicional de Z dado θ designa a matriz identidade (ordem n) concentração variação derivada parcial norma |...| valor absoluto gradiente ∇ SIGLAS DE INSTITUIÇÕES ATCC CIPAN DTIQ EFB ETH IFAC IUPAC LADAS LNETI UCL American Type Culture Collection Companhia Portuguesa de Antibióticos SA Departamento de Tecnologia e Indústria Química European Federation of Biotechnology Eidgenössische Technische Hochschule International Federation of Automatic Control International Union of Pure and Applied Chemistry Laboratoire d’Automatique et Dynamique et Analyse des Systèmes Laboratório Nacional de Engenharia e Tecnologia Industrial Université Catolique de Louvain OUTRAS SIGLAS ADN ADP APA ARMAX ATC ATP BLUE CER CTR DCU DDE Ácido Desoxirribonucleico Adenosine-Di-Phosphate Aminopenicilânico Auto Regressive Moving Average Auxiliar input Ácidos Tri-Carboxílicos Adenosine-Tri-Phosphate Best Linear Unbiased Estimator Carbon Dioxide Evolution Rate Carbon Transfer Rate Digital Control Unit Dynamic Data Exchange 22 EBO EDSO ELEL ELSL EMP FEK FG GPC HPLC I&D ITAE L/A LCD LIT LQC LVT MFG MQR NADH NTU OTR OUR PC PID PTN PTV r.p.m. RGA RQ R RF SAD TGS u.m.a. Estimador Baseado num Observador Estimador de Dinâmica de Segunda Ordem Entrada Limitada Estado Limitado Entrada Limitada Saída Limitada Embden-Meyerhof-Parnas Filtro Estendido de Kalman Fenilglicina Generalized Predictive Control High Performance Liquide Chromatography Investigação e Desenvolvimento Integral of Time-weighted Absolute Error (Integral do erro absoluto pesado pelo tempo) Iniciais dos nomes dos filhos de M. LAKRORI Liquid Crystal Display Linear Invariável no Tempo Linear Quadratic Control Linear Variável no Tempo Metilfenilglicina Mínimos Quadrados Recursivos Nicotinamide Adenine Dinucleotide Hydrogen (forma reduzida de NAD) Nephelometric Turbidity Unit Oxygen Transfer Rate Oxygen Uptake Rate Personnal Computer Proporcional, Integral e Derivativo Pressão e Temperatura Normais (1 atm e O °C) Pressão, Temperatura e Volume rotações por minuto Residual Gas Analysis Respiratory Quotient (Quociente Respiratório) estado Respiratório do Processo estado Respiro-fermentativo do Processo Sistema de Aquisição de Dados Taguchi Gas Sensor unidade de massa atómica NOTAS: 1. Pelo facto de não ser frequente a utilização de unidades SI no domínio da biotecnologia, recorreu-se por -1 vezes a unidades mais comuns, como por exemplo, a utilização de g.L para exprimir concentrações. 2. Por uma questão de legibilidade, optou-se pela capitalização da letra que designa a unidade litro. Assim, o convencional l é substituído por L. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS EUGÉNIO C. FERREIRA TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA FEUP 1995 1. Introdução Sumário Neste capítulo são apresentados o contexto e a motivação para a realização desta tese. É feito um enquadramento da Biotecnologia nos aspectos operacionais e económicos. Situa-se o trabalho relativamente às metodologias habituais de desenvolvimento em Biotecnologia: a escolha da abordagem de teoria de sistemas é confrontada com as abordagens biológica e tecnológica. Apresenta-se uma breve revisão sobre a operação de reactores biológicos assistidos por computador. É feita uma ligeira introdução às metodologias adaptativas. São apresentados os objectivos principais e a metodologia utilizada. Termina-se o capítulo com a descrição da organização da tese. 1.1 CONTEXTO E MOTIVAÇÃO 1.2 OBJECTIVOS E METODOLOGIA 1.3 ORGANIZAÇÃO DA TESE 1.4 BIBLIOGRAFIA 1. INTRODUÇÃO 24 1.1 Contexto e Motivação 1.1.1 A Biotecnologia Nos últimos anos têm-se assistido a um grande e rápido desenvolvimento na área da Biotecnologia, com o aparecimento de novos processos a nível industrial que recorrem a microrganismos. Os processos biotecnológicos têm actualmente uma grande aplicação em sectores tais como o agro-alimentar, a química-fina e farmacêutico, a energia e o ambiente. Existem várias definições de Biotecnologia. Um documento da European Foundation for the Improvement of Living and Working Conditions (1989) refere a existência de 41 (quarenta e uma!) definições no seio da Comunidade Europeia. A European Federation of Biotechnology (1994) propõe a seguinte definição: “Biotecnologia é a integração das Ciências Naturais e das Ciências de Engenharia com vista à aplicação industrial de organismos, células, partes destas e análogos moleculares para a obtenção de produtos e serviços.” A generalidade dos processos biotecnológicos pode dividir-se em duas categorias: reacções de crescimento microbiano (reacções microbiológicas), e reacções catalisadas por enzimas (reacções bioquímicas ou bio-transformações). Os processos biotecnológicos são usados para a produção de uma vasta gama de produtos com diferentes valores comerciais. Um processo biotecnológico pode então definir-se como aquele em que há uma utilização de microrganismos (fermentos, bactérias, etc.) e/ou enzimas, podendo ter como objectivo a síntese de compostos químicos intracelulares (proteínas) ou extracelulares (antibióticos, álcool), a produção de biomassa (caso da produção de fermento de padeiro), de alimentos (bebidas), de energia (biogás, etanol) ou ainda a despoluição biológica de efluentes (degradação da matéria poluente pelos microrganismos). O crescimento dos organismos num reactor biológico decorre através do fornecimento ao meio líquido de certos nutrientes ou substratos (fontes de carbono, azoto, oxigénio, …, vitaminas, micronutrientes) na presença de condições ambientais favoráveis (temperatura, pH, arejamento, agitação, …). Um reactor biológico é, portanto, um tanque onde ocorre uma ou várias reacções biológicas geralmente em meio líquido. A Figura 1.1 representa a variação do número de células vivas ao longo do tempo (a massa destas células é designada por biomassa) para o crescimento de um dado 1.1 CONTEXTO E MOTIVAÇÃO 25 microrganismo em cultura descontínua. São evidenciadas as várias fases do crescimento: uma primeira fase, após inoculação, em que não se verifica crescimento - fase de latência (1), uma fase de aceleração (2), uma fase de crescimento exponencial (3) seguida de desaceleração (4), para se atingir uma fase estacionária (5) em que se alcança o máximo tamanho da população. Eventualmente, poderá ocorrer de seguida um declínio no número de células - fase de decaimento ou morte celular (6). Número de Células (log) 4 5 6 3 1 2 Tempo Figura 1.1 Fases do crescimento de um microrganismo em cultura descontínua O objectivo geral de um processo biotecnológico com crescimento microbiano, muitas vezes designado de fermentação♦, é minimizar a duração da fase de latência e maximizar a taxa de crescimento e a duração da fase exponencial. É comum perspectivar a obtenção do tamanho máximo para uma dada população no final do crescimento - caso da produção de fermento de padeiro. A dinâmica dos processos de fermentação é consequência da cinética de crescimento dos microrganismos, da hidrodinâmica e tipo de reactor, do modo de alimentação de substratos e nutrientes. Relacionados com o crescimento dos organismos podem distinguir-se dois tipos de formação de produtos microbianos (MOSER, 1988): ♦ Tradicionalmente, a designação fermentação referia-se aos processos com metabolismo anaeróbio, sendo os processos de metabolismo aeróbio denominados de respiração. Contudo o termo tem sido usado como sinónimo de qualquer processo biotecnológico, seja aeróbio ou anaeróbio. 1. INTRODUÇÃO 26 • Tipo I: a acumulação de produtos está directamente associada com a fase de crescimento (metabolismo primário); estes produtos são denominados de metabolitos primários. São normalmente obtidos com grandes rendimentos e apresentam um baixo valor comercial. Exemplos: etanol, ácido láctico, biomassa. • Tipo II: não há uma relação directa entre o crescimento e a formação do produto que ocorre após o metabolismo primário; estes produtos são denominados de metabolitos secundários e apresentam, normalmente, um alto valor comercial devido ao baixo rendimento desta etapa. Exemplos: antibióticos, vitaminas, pigmentos. No caso das enzimas pode falar-se de metabolitos intermédios, sendo contudo, normalmente incluídas no grupo dos metabolitos secundários. A Figura 1.2 ilustra os perfis de concentração do microrganismo, substrato e produto para os dois tipos de formação de produto microbiano. Tiipo po II Tipo i po I S S X P t X P t Figura 1.2 Perfis de concentração de microrganismo (X), substrato (S) e produto (P) para dois tipos de formação de produto: (I) associado ao crescimento, (II) não associado ao crescimento Dependendo do regime de alimentação, a operação dos reactores pode obedecer à seguinte classificação: • operação descontínua: não há adição de substrato para além do colocado inicialmente, nem retirada de meio de cultura até ao final do processo; exemplo de aplicação: formulações farmacêuticas; • operação semi-contínua: os substratos necessários ao crescimento são alimentados contínua ou intermitentemente sem retirada de meio de cultura. No início do processo, o reactor é operado em modo descontínuo e no final pode proceder-se à recolha de todo o meio ou à recolha parcial de modo a repetir o procedimento. Exemplo: produção de fermento de padeiro (KRISTIANSEN, 1993), produção de antibióticos (MOU e COONEY, 1983); • operação contínua: decorre com a adição contínua de substrato e remoção contínua de meio de cultura; exemplo: eliminação de poluentes num sistema de lamas activadas (ANDREWS, 1992). A concepção de reactores podem conduzir a várias configurações (ver por exemplo BAILEY e OLLIS, 1986), apresentando-se alguns tipos na Tabela 1.1: 1.1 CONTEXTO E MOTIVAÇÃO 27 Tabela 1.1 Tipos de reactores biológicos Tipo de Reactor Exemplo Reactor de mistura completa Reactor tubular de fluxo pistão Membrana Reactor de circulação por arejamento (air-lift) Coluna de bolhas Leito fluidizado células imobilizadas Leito fixo enzimas imobilizadas filtro percolador Cascata de reactores Reciclagem de células RENARD et al. (1991) CUZIN et al. (1992) MARIGNETTI et al. (1993) CHISTI (1989) DECKWER (1992) SCHÜGERL (1989) MELICK et al. (1987) TANAKA et al. (1993) LOGAN (1987) DOURADO et al. (1987) TEIXEIRA et al. (1989) 1.1.2 Aspectos Económicos Na Figura 1.3 estão representados alguns produtos obtidos industrialmente por fermentação e o seu respectivo valor comercial por tonelada (adaptado de DUNNILL, 1987). A maior parte destes produtos é obtida em reactores de mistura completa. O elevadíssimo preço apresentado para a obtenção de produtos usando culturas de células animais (anticorpos monoclonais, por exemplo) é justificado pela utilização de nutrientes complexos dispendiosos. O custo da operação destas fermentações é desprezável quando comparado com o custo dos nutrientes e com outros custos elevados como seja o investimento em I&D e a aprovação regulamentar. 1E+10 1E+00 Proteina Vitamina B12 Penicilina 1E+02 Fermento de Padeiro 1E+04 Figura 1.3 Valor comercial de alguns produtos das indústrias de fermentação Cultura de Células Animais 1E+06 Tratamento de efluentes Preço ($EUA)/ton. 1E+08 1. INTRODUÇÃO 28 No outro extremo da Figura 1.3, pode encontrar-se, por exemplo, o processo de digestão anaeróbia para o tratamento de efluentes domésticos e industriais, cujo objectivo principal é alcançar um grau de remoção/purificação a custos mínimos. O meio nutriente utilizado para a produção de metabolitos secundários representa 60 a 90% dos custos de fermentação. Para a obtenção de metabolitos primários esse custo representará 40 a 70% do custo total (ROYCE, 1993). A energia consumida num reactor industrial de mistura completa para agitação, arejamento e fornecimento de água apresenta um valor médio de 8.2 KWh/m3. O custo da electricidade para a indústria é de 55 ECU/MWh (KRISTIANSEN, 1993). Uma fermentação de 6 dias para produção de antibiótico num fermentador de 100 m3 necessita de cerca de 8000 $EUA de potência. Para ambos os casos de produção, o objectivo predominante é alcançar rendimentos elevados, sendo a economia de energia um objectivo secundário. Um objectivo global será expresso em termos de concentração, pureza e rendimento do processo. O rendimento de um processo estará sempre limitado por considerações termodinâmicas e estequiométricas para as vias bioquímicas que constituem o metabolismo celular. 1.1.3 Metodologias de Desenvolvimento Para aumentar a competitividade dos processos biotecnológicos, torna-se necessário a aplicação de metodologias operacionais capazes de assegurar de modo estável e reprodutível uma produtividade máxima com um mínimo de custos. Para tal, é preciso conjugar três abordagens ao problema: • a abordagem biológica ou bioquímica em que se procura melhorar o desempenho do processo e dos próprios catalisadores pela selecção de microrganismos e de meios de cultura apropriados ou por manipulações genéticas (mutagénese induzida; recombinação genética baseada em fusão de protoplastos,…) - objectivos da Engenharia Genética e da Microbiologia; • a abordagem tecnológica que se concentra no desenvolvimento de melhores tecnologias e condições operacionais (regime de funcionamento, processos imobilizados, novas concepções de reactores, etc.) - objectivos da Engenharia Biológica e da Bioquímica; • a abordagem matemática que recorre à modelação matemática dos processos e à utilização de estratégias (por vezes automáticas) de monitorização e controlo da operação dos biorreactores - objectivos da Teoria de Sistemas e da Matemática Aplicada. 1.1 CONTEXTO E MOTIVAÇÃO 29 A abordagem matemática é normalmente utilizada após a concepção e optimização do processo sob o ponto de vista das abordagens biológica e tecnológica. Os ganhos de desempenho introduzidos pela abordagem matemática não são tão importantes, sobretudo quando comparados com as outras abordagens. A abordagem biológica/bioquímica pode melhorar significativamente o baixo rendimento na produção de metabolitos secundários. A engenharia genética poderá introduzir incrementos de 50 vezes em certos processos. A abordagem tecnológica conseguirá melhoramentos na ordem dos 50% (MORGAN, 1992). A importância económica de obtenção de altos rendimentos justifica a introdução de estratégias de monitorização e controlo, para acompanhar de um modo regular e preciso, de forma a garantir uma certa reprodutibilidade do processo. Estes requisitos ganham uma grande importância na situação de utilização de metabolitos secundários para fins terapêuticos (ROYCE, 1993). Neste caso, a aprovação por autoridades regulamentares, implica que todo o processo seja validado (que observe as especificações) e que o controlo do processo seja estabelecido de modo a garantir uma qualidade consistente do produto (GERSON et al., 1988; WERNER e LANGLOUIS-GAU, 1989). Um segundo factor prende-se com a utilização de patentes na fase de desenvolvimento de um produto: o melhoramento da monitorização do processo e a remoção de etapas limitantes poderá minimizar os custos de I&D normalmente associados a esta fase. 1.1.4 Operação Assistida por Computador O investimento em automação e em sistemas informáticos, em novas instalações piloto de desenvolvimento de produtos e processos, duplicou na última década, representando 15% do total a investir (LÜBBERT, 1991). A indústria tem-se mostrado reticente na introdução de novas estratégias de monitorização e controlo devido aos riscos de contaminação e preocupação em relação à robustez e fiabilidade dos sensores. A aplicação de modelos no controlo em ciclo fechado em fermentações industriais é ainda insignificante. A indústria utiliza principalmente modelos parciais ou empíricos. A Monitorização (avançada) pode ser entendida como a aquisição e análise de informação com vista ao melhoramento da capacidade de acompanhamento de variáveis críticas que afectam o processo biotecnológico. Um aspecto avançado da monitorização é a incorporação de medidas em modelos e em algoritmos de estimação de estados (observadores) que forneçam informação não directamente mensurável. 1. INTRODUÇÃO 30 A etapa de Controlo pode ser vista como a aplicação da informação recolhida e tratada na etapa de monitorização. A utilização de estratégias de operação óptima em processos é aquilo a que em linguagem de Teoria de Sistemas se designa por Controlo de Processos. Resumidamente, o objectivo do controlo é manter algumas variáveis de estados do processo (ou uma função dessas variáveis) próximas de valores de referência preestabelecidos, face a perturbações e/ou variações nas cinéticas do processo. Os objectivos da monitorização e controlo de processos biotecnológicos dependem, pois, do tipo de produto que se pretende obter. No caso de um metabolito primário (fermento de padeiro, etanol) estas estratégias deverão ser orientadas para a obtenção de rendimentos e concentrações elevadas ao mais baixo custo total. Na produção de metabolitos secundários (antibióticos, enzimas) pretende-se, com auxílio destas estratégias, garantir uma boa reprodutibilidade, alcançar um elevado grau de pureza e facilitar os estudos de desenvolvimento com vista ao aumento de escala. No controlo de um reactor biotecnológico exige-se o acesso em tempo real a variáveis medidas em linha, isto é, o algoritmo de controlo deve dispor, periodicamente, de determinados valores de variáveis do processo. É nesta fase que os computadores adquirem um papel relevante, dada a sua capacidade de aquisição rápida de dados através de uma interface ad hoc - Sistema de Aquisição de Dados (SAD). Um SAD deverá permitir a aquisição e armazenamento de dados a frequências variáveis, de modo a corresponder aos períodos críticos do processo biotecnológico, possibilitando o processamento posterior da informação. Deverá também permitir a automatização das várias etapas do processo (enchimento, fornecimento de nutrientes, esterilização, etc.). Uma das grandes dificuldades do controlo de processos biotecnológicos reside nos problemas associados à tecnologia de medição das variáveis de interesse. Importa distinguir entre as variáveis que podem ser realizadas em linha e as que têm de ser feitas em diferido. Os algoritmos de controlo devem ter em conta estas condicionantes. 1.1.4.1 Perspectiva Histórica A primeira proposta de aplicação de computadores no controlo de um processo biotecnológico surge no início dos anos 60 (FULD, 1960). As indústrias químicas tinham iniciado a introdução do controlo digital directo por computador em finais da década de 50. As primeiras aplicações de computadores nas indústrias de fermentação surgem, somente, 1.1 CONTEXTO E MOTIVAÇÃO 31 em finais da década de 60 (ARMIGER e HUMPHREY, 1979), com um atraso de 10 anos em relação à indústria química. No início da década de 70 surgem os primeiros artigos de revisão (NYIRI, 1972; AIBA et al., 1973; RYU e HUMPHREY, 1973) da escassa literatura científica sobre aplicação de computadores em processos biotecnológicos. O primeiro encontro dedicado ao controlo por computador de processos de fermentação foi realizado em Londres no início da década de setenta (LABEX SYMP. ON COMPUTER CONTROL OF FERMENTATION PROCESSES, 1971). Realiza-se, em 1973, em Dijon (França) a primeira conferência internacional dedicada a esta temática. Esta conferência, que constituiu a primeira de uma série, originou a edição de um livro com sete comunicações (THE FIRST EUROPEAN CONF. ON COMPUTER PROCESS CONTROL IN FERMENTATION, 1973). A segunda conferência desta série decorreu em 1978 em Filadélfia (EUA) com publicação das comunicações num volume da colecção Biotechnology & Bioengineering Symposia (ARMIGER, 1979). A terceira foi efectuada pouco tempo depois, em Manchester (R.U.) em 1981 (COMPUTER APPLICATIONS IN FERMENTATION TECHNOLOGY, 1982). A quarta conferência realizar-se-ia somente em 1988 em Cambridge (FISH et al., 1989). A quinta e última conferência decorreu em Keystone (EUA) em 1992 e passou a integrar anteriores eventos de uma série intitulada Modelling and Control of Biotechnological Processes (HALME, 1983; JOHNSON, 1986) com organização da IFAC (Federação Internacional de Controlo Automático). A publicação (KARIM e STEPHANOPOULOS, 1992) de mais de 100 comunicações seleccionadas de entre os trabalhos apresentados é reveladora do estado actual do saber nas diversas áreas que integram este vasto campo de investigação. Nessa última conferência decide procurar-se uma designação mais curta para o nome desta série de eventos. Assim, a próxima conferência, a realizar em Garmisch-Partenkirshen (Alemanha), assumirá a denominação de Computer Applications in Biotechnology - CAB6. Ao longo destes 20-30 anos foram sendo publicados vários trabalhos de revisão do estado do saber nesta área da Ciência e Tecnologia. Sem pretender ser exaustivo destacaria, contudo, algumas contribuições que permitem acompanhar a evolução nos diferentes estágios de desenvolvimento. O primeiro artigo, devido a NYIRI (1972), examina as (poucas) referências até ao início da década de setenta. Tratavam-se, essencialmente de artigos que relatavam a utilização de computadores em diferido para a análise de dados experimentais, simulação, cálculo (óptimo) de trajectórias e estimação de parâmetros cinéticos. HUMPHREY (1977) revê as 1. INTRODUÇÃO 32 primeiras utilizações de computadores ligados em linha a fermentadores. DOBRY e JOST (1977) examinam os desenvolvimentos publicados entre 1972 e 1977 sob um ponto de vista industrial. São apresentados 11 sistemas de fermentação com monitorização e controlo por computador, dos quais somente 2 são originais da indústria, sendo os restantes baseados em laboratórios académicos ou de institutos de investigação. WEIGAND (1978) apresenta uma revisão de um ponto de vista de investigação académica, centrando-se nas omissões do artigo anterior. ARMIGER e HUMPHREY (1979) apresentam uma revisão enfatizando a utilização de medições indirectas para a estimação da concentração de biomassa e de taxas de crescimento utilizando técnicas de balanço aos componentes, com vista ao controlo da fermentação. ZABRISKIE (1979) revê a aplicação de computadores principalmente na óptica do controlo de fermentadores. Apresenta 5 casos de aplicação a reactores descontínuos e 3 exemplos de aplicação a reactores contínuos. Discute a aplicação de modelos de “caixa negra” e de métodos baseados em modelos inferenciais. ROLF e LIM (1982) revêem vários equipamentos e programas informáticos disponíveis para o controlo por computador. Discutem também vários algoritmos de optimização de estado estacionário para reactores descontínuos e, optimização dinâmica para reactores semicontínuos e reactores contínuos. Discutem ainda técnicas de estimação, identificação e filtragem necessárias para a etapa de controlo em linha. HATCH (1982) apresenta uma revisão centrada nos requisitos do fermentador para o seu controlo por computador. BULL (1983) apresenta uma revisão centrada na instrumentação necessária para a ligação fermentador ao computador e em estudos de optimização da fermentação. WANG e STEPHANOPOULOS (1984) publicam uma importante e completa resenha sobre a aplicação de computadores em fermentação. Detalham, em mais de 100 páginas, o estado de conhecimento na área até essa data. ONKEN e WEILAND (1984) analisam, sob uma forma tutorial, a principal literatura sobre modelação, controlo e optimização. ZABRISKIE (1985) enumera e detalha as principais tarefas de análise de dados em linha para processos de fermentação. REUSS (1986) surge com um trabalho de revisão e de antevisão, focalizado nos novos desenvolvimentos em tecnologia de amostragem automática essencial para as etapas de monitorização e estimação em linha. Analisa ainda a principal literatura sobre optimização de trajectórias de alimentação de reactores semi-contínuos. MONTAGUE et al. (1989) apresentam um importante artigo de revisão que se debruça sobre quase todos os aspectos desta área, com ênfase especial nas técnicas de estimação e no controlo adaptativo. WILLIAMS (1990) faz uma perspectiva dos problemas práticos de 1.1 CONTEXTO E MOTIVAÇÃO 33 condicionamento de sinal e de aplicação de algoritmos de controlo. SHIMIZU (1993, 1994) escreve dois artigos revisão da área. O primeiro faz uma panorâmica do desenvolvimento em sensores, da estimação de estados e de parâmetros, da optimização e controlo. O segundo centra-se na optimização em linha e controlo baseado em conhecimento. Esta área é descrita em traços gerais por alguns autores (FISH e THORNHILL, 1988; BROWN, 1991) em pequenos trabalhos, normalmente orientados para uma audiência diferente e publicados em revistas não especializadas nesta temática. O estado actual de conhecimento na área de monitorização e controlo de processos biotecnológicos é descrito em CHATTAWAY et al. (1993) e LIM e LEE (1991). Nas publicações de revisão mais recentes, principalmente nos últimos cinco anos, temse notado um grande incremento na aplicação de algoritmos baseados em conhecimento, na utilização de sistemas periciais e redes neuronais, e na utilização da lógica difusa. Existem já vários artigos de revisão destas novas técnicas (HALME e KARIM, 1991; AYNSLEY et al., 1993; KARIM e RIVERA, 1992; KONSTANTINOV et al., 1993; LÜBBERT e SIMUTIS, 1994; MONTAGUE e MORRIS, 1994). Apesar do aumento significativo da literatura na área de monitorização e controlo de processos biotecnológicos, cuja via de publicação preferencial tem sido o artigo científico, só muito recentemente surgiram os primeiros livros de texto com orientação didáctica: OMSTEAD (1990), SCHÜGERL (1991), BASTIN e DOCHAIN, (1990), PONS (1992), VOLESKY e VOTRUBA (1992). Anteriores à década de 90 foram publicados alguns livros nesta área (LEIGH, 1986; BUSHELL, 1988) que consistiam basicamente em compilações de diferentes autores, muitas vezes sem um fio de ligação entre eles. A preocupação actual de investigação na área da modelação (BASTIN e MORRIS, 1992) está centrada nos problemas de identificação de sistemas e planificação de experiências, no recurso necessário a técnicas de redução de modelos e na aplicação de métodos alternativos, como sejam os estudos recentes explorando a utilização de redes neuronais. Na área de controlo tem vindo a desenvolver-se esforços significativos na procura de métodos de estimação de estados e na concomitante utilização de estratégias de controlo também com base em modelos. Este panorama está sumariado na Figura 1.4. 1. INTRODUÇÃO 34 Modelização Identificação de Sistemas e Projecto de Experiências Monitorização e Controlo Uso de Modelos para Monitorização e Controlo Aproximação (redução) de modelos Controlo Óptimo Redes Neuronais Controlo Adaptativo Análise Estrutural Controlo Inteligente Figura 1.4 Investigação na área de modelação e controlo em processos biotecnológicos 1.1.5 Metodologias Adaptativas Na Teoria de Sistemas existem variadas definições de sistema adaptativo. NARENDRA e ANNASWAMY (1989) apresentam um estudo retrospectivo da evolução das várias definições de sistema adaptativo. Neste trabalho, o termo adaptativo é utilizado para designar técnicas de projecto de sistemas (estimadores, controladores) para situações de modelo parcialmente conhecido (GOODWIN e SIN, 1984). Estas técnicas incorporam normalmente mecanismos de reajuste de parâmetros em linha. A motivação para a utilização de técnicas adaptativos na síntese de estimadores e controladores advém de: • preocupação em basear os algoritmos em modelos determinísticos dos processos biotecnológicos, contribuindo para uma melhor compreensão dos mecanismos metabólicos e processuais; • os estimadores de estado e os estimadores de parâmetros constituem uma alternativa válida para a falta (ou custo proibitivo) de sensores fiáveis para a medição em linha das principais variáveis de estado; • Os processos biotecnológicos apresentarem características dinâmicas com variação no tempo e serem sistemas com estrutura não linear. 1.1.6 Processos biotecnológicos em estudo 1.1.6.1 Produção de fermento de padeiro A levedura Saccharomyces cerevisiae (fermento de padeiro) foi escolhida como organismo-modelo devido às seguintes razões: 1.1 CONTEXTO E MOTIVAÇÃO 35 • é um microrganismo bem conhecido em investigação e na indústria; • o preço do fermento de padeiro é determinado principalmente pela etapa de conversão do processo de fabrico; • as leveduras começam a desempenhar um papel importante como organismos hospedeiros em tecnologia de ADN recombinante. Exemplos de utilização de S. cerevisiae: produção de γ-interferão (GUTHKE et al., 1990), de pro-insulina (TØTTRUP e CARLSEN, 1990), de α-amilase (SHIBA et al., 1994); • A nível europeu (Federação Europeia de Biotecnologia) existe uma proposta conjunta dos grupos de trabalho (Working-Party) Bioreactor Performance e Measurement and Control de utilização desta levedura como caso de estudo para comparação e validação de resultados entre vários laboratórios de investigação. A operação de um fermentador para a produção desta levedura é realizada em modo semi-contínuo, justificada pela baixa produtividade da operação descontínua e da grande sensibilidade da cultura contínua a contaminantes, não permitindo a maturação do fermento de modo a obter-se uma boa qualidade de conservação. De um ponto de vista de Engenharia de Controlo, os processos semi-contínuos apresentam um grande interesse (YAMANÈ e SHIMIZU, 1984; PARULEKAR e LIM, 1985; JOHNSON, 1987). Nestes, o caudal de alimentação pode ser alterado durante o processo, sem remoção do produto desejado até ao fim da fermentação. O fermento de padeiro é produzido industrialmente deste modo, existindo um enorme incentivo económico para a sua optimização (WILLIAMS, 1986). 1.1.6.2 Fermentação etanólica A fermentação etanólica (ou alcoólica) pode ser vista como uma das etapas das diferentes vias do metabolismo da levedura Saccharomyces cerevisiae. Enquanto que na produção de fermento de padeiro o objectivo será a produção de biomassa, na fermentação etanólica o objectivo coloca-se na obtenção de etanol. 1.1.6.3 Síntese enzimática de ampicilina A ampicilina é um antibiótico com grande utilização clínica no tratamento de doenças infecciosas. Esta penicilina é normalmente obtida por via química através da condensação do ácido 6-aminopenicilânico com α-fenilglicina. O recurso a tecnologia enzimática tem sido avaliado laboratorialmente como alternativa à síntese química (KASCHE, 1985). Paralelamente ao desenvolvimento das abordagens bioquímica e tecnológica, julgou importante avançar-se desde logo com estratégias de monitorização avançadas. 1. INTRODUÇÃO 36 O estudo constituía à época a primeira aplicação a um processo enzimático do tipo de abordagem matemática utilizado neste trabalho. 1.2 Objectivos e Metodologia O presente trabalho foi orientado para uma abordagem matemática ao problema da melhoria de desempenho de processos biotecnológicos, não descurando contudo, os aspectos relacionados com os outros tipos de abordagem, tendo como meta final a sua validação em processos à escala laboratorial ou piloto. O tema de doutoramento surge na sequência de estudos realizados na área de Modelação e Controlo de Processos Biotecnológicos (FERREIRA et al., 1989a e 1989b) e teve como objectivos de fundo a elaboração e aplicação de soluções para monitorização e controlo por computador de processos biotecnológicos. Foi dada especial incidência à supervisão e controlo de processos de fermentação utilizando algoritmos adaptativos. Os problemas de monitorização endereçadas neste trabalho podem resumir-se à elaboração de algoritmos (sensores por programação) para a estimação em linha de variáveis de estado não medidas e de cinéticas de reacção. Procurou também planear-se experiências para identificação de coeficientes de rendimento. Um aspecto importante destas metodologias é o facto de se considerar as taxas de reacção como parâmetros não estacionários que podem ser estimados em tempo real. Nunca é assumido um modelo cinético para a descrição matemática das leis de velocidade de reacção. A descrição dinâmica do tipo de processos biotecnológicos em estudo assenta numa equação não linear do espaço dos estados denominada de Modelo Dinâmico Geral de Reactores Biológicos (BASTIN e DOCHAIN, 1990). As abordagens matemáticas utilizadas no desenvolvimento de algoritmos de estimação, de identificação e de controlo adaptativo, tem por base este modelo dinâmico geral e inspiram-se nas propostas apresentadas por esses autores. A abordagem matemática para a identificação dos parâmetros coeficientes de rendimento foi baseada numa proposta de CHEN (1992). Como principais contribuições desta tese saliente-se a análise dos processos em estudo (é dado destaque especial à produção de fermento de padeiro), a planificação de 1.2 OBJECTIVOS E METODOLOGIA 37 experiências e a procura de soluções alternativas para a sintonização das leis de estimação e controlo. 1.2.1 Produção de fermento de padeiro Os objectivos endereçados para este processo incluíam os seguintes aspectos: cálculo (identificação) de coeficientes de rendimento sem conhecimento de cinéticas de crescimento; estimação em linha de variáveis de estado não medidas e de velocidades de reacção (taxas específicas de crescimento); estudo do controlo monovariável (regulação) da concentração de etanol e do controlo multivariável das concentrações de etanol e oxigénio dissolvido; configuração de uma instalação laboratorial para teste e validação dos algoritmos desenvolvidos. Para a identificação dos coeficientes de rendimento do modelo torna necessário efectuar-se medições de estado completo, não se realizando necessariamente todas as medições em linha. Para a estimação de estado e de taxas de crescimento é somente necessário o conhecimento de duas variáveis de estado e da composição da fase gasosa. 1.2.2 Fermentação etanólica A abordagem matemática tinha como principal objectivo a implementação de estimadores da concentração de glucose que possibilitassem a determinação em linha do momento em que se dá o consumo total do açúcar de modo a realimentar o fermentador. De realçar que a análise de glucose disponível não era efectuada em linha, sendo bastante demorada. Paralelamente, pretendia estimar-se em linha a taxa específica de crescimento. 1.2.3 Síntese enzimática de ampicilina A abordagem de teoria de sistemas tinha como objectivo principal estudar a implementação de uma estratégia de monitorização que possibilidade a redução do tempo de análise por cromatografia líquida (HPLC) de 4 componentes envolvidos nas reacções de síntese e hidrólise. Desse modo, pretendia utilizar-se os dois primeiros picos do cromatograma para estimar as restantes concentrações. Os dois componentes analisados permitiriam também conhecer a evolução das três taxas de reacção do esquema reaccional. 1. INTRODUÇÃO 38 1.3 Organização da Tese O capítulo 2 faz uma descrição dos processos biotecnológicos em estudo: produção de fermento de padeiro, fermentação etanólica e síntese enzimática de ampicilina. São expostos aspectos biológicos e/ou bioquímicos e são apresentados os processos tecnológicos de fabrico. São apontadas as principais reacções que constituem os esquemas reaccionais utilizados no decorrer deste trabalho. No capítulo 3 é exposta a metodologia experimental para a realização de experiências à escala laboratorial. Faz-se uma descrição dos métodos analíticos e da instrumentação utilizada para os três processos em estudo. São apresentados os requisitos e realizações de um laboratório de teste de estratégias de monitorização e controlo de processos de fermentação, com aplicação à produção de fermento de padeiro. No capítulo 4 são estabelecidos os modelos matemáticos de espaço de estados para os processos em estudo. Para o fermento de padeiro propõem-se um modelo global a três reacções e modelos parciais melhor adequados às vias metabólicas. O capítulo começa com uma breve introdução às diferentes classes de modelos matemáticos. É apresentado o modelo geral para a dinâmica de reactores biológicos, cuja estrutura matricial será usada ao longo da tese. Dá-se particular ênfase à modelação da fase gasosa e à dinâmica de gases dissolvidos. No capítulo 5 são desenvolvidos algoritmos para identificação de coeficientes de rendimento em processos biotecnológicos. São apresentadas as metodologias para a estimação de coeficientes de rendimento através de medições completas do estado. São propostas estratégias de planificação experimental que visam a optimização da riqueza informativa da experiência, quantificada por índices relativos à matriz de informação de FISHER. O objectivo da planificação experimental é endereçado em termos da programação de trajectórias de entradas. A planificação experimental é ensaiada para o fermento de padeiro com o objectivo de calcular trajectórias de alimentação de substrato. As matrizes de coeficientes de rendimento calculadas no capítulo 5 constituem uma peça fundamental para a implementação de estratégias de monitorização avançada. O capítulo 6 utilizará estas matrizes para cálculo dos sensores por programação. O capítulo 6 tem como objectivo o desenvolvimento de sensores por programação para 1.3 ORGANIZAÇÃO DA TESE 39 estimação de estados e de parâmetros (taxas de reacção) em processos biotecnológicos. São apresentados algoritmos para a estimação de variáveis de estado não mensuráveis em linha, através de um observador assimptótico que utiliza as variáveis medidas em linha. São desenvolvidos estimadores de taxas de reacção, especialmente das taxas específicas de crescimento. É proposta uma alternativa de sintonização dos ganhos que conduz a uma dinâmica de resposta de 2ª ordem. Os sensores por programação são validados por simulação e em experiências reais para os processos em estudo. Para o fermento de padeiro estimam-se as concentrações de etanol, biomassa e glucose com base em medições de oxigénio e dióxido de carbono dissolvidos e em fase gasosa. São estimadas as três taxas específicas de crescimento através de um estimador de dinâmica de resposta de 2ª ordem e com um estimador baseado no observador. No caso da fermentação etanólica é proposto um estimador da taxa específica de crescimento que não necessita conhecer os coeficientes de rendimento. As estimativas da taxa específica de crescimento permitem estimar em linha as concentrações de biomassa e glucose. A estimação desta última permite detectar os instantes do seu consumo total. Para a síntese enzimática de ampicilina são estimadas as concentrações de ampicilina, metilfenilglicina e metanol por via da medição das concentrações de fenilglicina e ácido 6aminopenicilânico. São também estimadas as taxas específicas de reacção e a partir destas calculam-se as velocidades de reacção. O capítulo 7 é orientado para o desenvolvimento de algoritmos para controlo de processos biotecnológicos. São propostas leis de controlo adaptativo para a regulação monovariável e regulação multivariável. A síntese das leis de controlo não linear é realizada por técnicas de geometria diferencial com linearização do sistema por retroacção de estado. A adaptação é feita com base na estimação de parâmetros variáveis no tempo. É proposto um novo algoritmo de adaptação com dinâmica de convergência de segunda ordem. Os controladores desenvolvidos, obtidos por redução de ordem do modelo de estado, são verificados por simulação para a produção de fermento de padeiro. O objectivo do controlo monovariável é endereçado em termos da regulação da concentração de etanol. Na situação de controlo multivariável, pretendem regular-se as concentrações de etanol e de oxigénio dissolvido. No capítulo 8 são apresentadas as conclusões deste trabalho juntamente com algumas 1. INTRODUÇÃO 40 sugestões de trabalho futuro. Finalmente, em anexo apresentam-se dois apêndices. O primeiro é dedicado à apresentação do modelo de simulação da produção de fermento de padeiro. O apêndice B apresenta uma análise de estabilidade e sintonização de estimadores. São feitas algumas considerações sobre a implementação numérica dos estimadores. A Figura 1.5 apresenta um esquema da organização da tese em que se a mostra a interacção entre os diferentes capítulos. Introdução Capítulo 1 Descrição dos Processos Capítulo 2 Descrição Experimental Capítulo 3 Modelação Matemática Dinâmica de Processos Identificação de Modelos Capítulo 4 Capítulo 5 Monitorização Avançada Sensores por Programação Capítulo 6 Controlo Adaptativo Capítulo 7 Conclusões Capítulo 8 Figura 1.5 Organização da tese por capítulos 1.4 BIBLIOGRAFIA 41 1.4 Bibliografia AIBA, S., HUMPHREY, A.E., MILLIS, N.F. Instrumentation for Environmental Control. Biochemical Engineering, 2ª ed., cap. 12, 317-345, Academic Press, New York, 1973. ANDREWS, J.F. Dynamics and Control of the Activated Sludge Process (Water Quality Management Library, vol. 6), Technomic Publishing Co., Lancaster, 1992. ARMIGER, W.B. (Ed.) Computer Applications in Fermentation Technology, Biotechnology & Bioengineering Symp. Series, nº 9, John Wiley & Sons, New York, 1979. ARMIGER, W.B., HUMPHREY, A.E. Computer Applications in Fermentation Technology. Microbial Technology, Vol. 2, 2ª ed. (H.J. PEPPLER e D. PERLMAN, Eds.), Academic Press, New York, cap. 15, 375-401, 1979. AYNSLEY, M., HOFLAND, A., MORRIS, A.J., MONTAGUE, G.A., DI MASSIMO, C. Artificial Intelligence and the Supervision of Bioprocesses (Real-Time Knowledge-Based Systems and Neural Networks). Advances in Biochemical Engineering/Biotechnology, Vol. 48: Bioprocess Design and Control, (A. FIECHTER, Ed.) Springer-Verlag, Berlin, p. 1-28, 1993. BAILEY, J.E., OLLIS, D.F. Biochemical Engineering Fundamentals, 2ª ed., McGraw-Hill, New York, 1986. BASTIN G., MORRIS, A.J. Proposal for a Research Programme in Bioprocess Science, Part 2: Modelling and Control. Biotech Forum Europe, 9:11/12, 763-764, 1992. BASTIN, G., DOCHAIN, D. On-line Estimation and Adaptive Control of Bioreactors, Elsevier Science Publishers, Amsterdam, 1990. BROWN, D.E. Bioprocess Measurement and Control. Chemistry and Industry, 16, 678-681, 1991. BULL, D.N. Automation and Optimization of Fermentation Processes. Annual Reports on Fermentation Processes, Vol. 6, (G.T. TSAO, M.C. FLICKINGER e R.K. FINN, Eds.), Academic Press, New York, cap. 13, 359-375, 1983. BUSHELL, M.E. (Ed.) Progress in Industrial Microbiology, vol. 25: Computers in Fermentation Technology, Elsevier Science Publishers, Amsterdam, 1988. CHATTAWAY, T., MONTAGUE, G.A., MORRIS, A.J. Fermentation Monitoring and Control. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 3: Bioprocessing (G. STEPHANOPOULOS, Ed. Vol.), VCH, Weinheim, cap. 14, 319-354, 1993. CHEN, L. Modelling, Identifiability and Control of Complex Biotechnological Systems, Dissertação de Doutoramento, Université Catholique de Louvain, Louvain-la-Neuve, 1992. CHISTI, M.Y. Airlift Bioreactors, Elsevier Applied Science, London, 1989. COMPUTER APPLICATIONS IN FERMENTATION TECHNOLOGY, Society of Chemical Industry, London, 1982. CUZIN, N., FARINET, J.L., SEGRETAIN, C., LABAT, M. Methanogenic Fermentation of Cassava Peel Using a Pilot Plug Flow Digester. Biores. Technol., 41, 259-264, 1992. DECWER, W.-D. Bubble Column Reactors, John Wiley & Sons, Chichester, 1992. DOBRY, D.D., JOST, J.L. Computer Applications to Fermentation Operations. Annual Reports on Fermentation Processes, Vol. 1, cap. 5, (D. PERLMAN e G.T. TSAO, Eds.), Academic Press, New York, 95-114, 1977. DOURADO, A., GOMA, G., ALBUQUERQUE, U., SEVELY, Y. Modeling and Static Optimization of the Ethanol Production in a Cascade Reactor. I. Modeling. Biotechnol. Bioeng., 29, 187-194, 1987. DUNHILL, P. Biochemical Engineering and Biotechnology. Chem. Eng. Res. Des., 65, 211-217, 1987. EUROPEAN FEDERATION OF BIOTECHNOLOGY, EFB Newsletter, Junho, 1994. EUROPEAN FOUNDATION FOR THE IMPROVEMENT OF LIVING Biotechnology - A Discussion Document, Dublin, 1989. AND WORKING CONDITIONS, The Public and 1. INTRODUÇÃO 42 FERREIRA, E.C., DUARTE, J.C. Aplicação de Técnicas de Estimativa em Linha em Engenharia de Bioprocessos, Congresso 89 da Ordem dos Engenheiros, Tema 5: Problemas Actuais e Avanços em Processos Químicos, Coimbra, 59-73, 1989a. FERREIRA, E.C., PEREIRA, L.M., FEYO DE AZEVEDO, S., DUARTE, J.C. Parameter Estimation of Kinetics and Modelling in Methanogenic Fermentation of Methanosarcina barkeri. Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 217-220, 1989b. FISH, N.M., THORNHILL, N.F. Monitoring and Control of Fermentation. Chem. Eng, 452, 31-3, 1988. FISH, N.M., FOX, R.I., THORNHILL, N.F. (Eds.) Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988), Elsevier Applied Science, London, 1989. FULD, G.J. Control Applications in Fermentation Processes. Adv. Appl. Microbiol., 2, 351, 1960. GERSON, D., KOLE, M., OZUM, B., OGUZTORELI, M. Substrate Concentration Control in Bioreactors. Biotechnol. Gen. Eng. Rev., 6, 67, 1988. GOODWIN, G.C., SIN, K.S. Adaptive Filtering, Prediction and Control, Prentice-Hall, 1984. GUTHKE, R., KNORRE, W., MOSER, A. Kinetic Modelling of Yeast Processing, Proc. Int. Workshop on Bioreactor Performance - Integrated Aspects of Physiology and Physics: Yeast as a Model Organism, Austrian Assoc. of Bioprocess Technology (Ed.), 69-74, 1990. HALME, A. (Ed.) Modelling and Control of Biotechnical Processes (Proc. 1st IFAC Workshop, Helsinki, Finland, 1982), Pergamon Press, Oxford, 1983. HALME, A., KARIM, N. Expert Systems for Biotechnology. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap. 19, 625-636, 1991. HATCH, R.T. Computer Applications for Analysis and Control of Fermentation. Annual Reports on Fermentation Processes, Vol. 5, (TSAO, G.T., Ed.), Academic Press, New York, cap. 8, 1982. HUMPHREY, A.E. Computer-Assisted Fermentation Developments. Developments in Industrial Microbiology (Lilly Centennial Fermentation Symp.), 18, 58-70, 1977. JOHNSON, A. (Ed.) Modelling and Control of Biotechnological Processes (Proc. 1st IFAC Symp., Noordwijkerhout, The Netherlands, 1985), Pergamon Press, Oxford, 1986. JOHNSON, A. The Control of Fed-batch Fermentation Processes - A Survey. Automatica, 23:6, 691-705, 1987. KARIM, M.N., RIVERA, S.L. Artificial Neural Networks in Bioprocess State Estimation. Advances in Biochemical Engineering/Biotechnology Vol. 46: Modern Biochemical Engineering, (A. FIECHTER, Ed.) Springer-Verlag, Berlin, p. 1-34, 1992. KARIM, M.N., STEPHANOPOULOS, G. (Eds.) Modelling and Control of Biotechnical Processes 1992 (2nd IFAC Symp. and 5th Int. Conf. Computer Applications in Fermentation Technology, Keystone, CO, USA), Pergamon Press, Oxford, 1992. KASCHE, V. Ampicillin- and Cephalexin-Synthesis Catalyzed by E. coli Penicillin Amidase. Yield Increase Due to Substrate Recycling. Biotechnol. Lett., 7:12, 877-882, 1985. KONSTANTINOV, K., AARTS, R., YOSHIDA T. Expert Systems in Bioprocess Control: Requisite Features. Advances in Biochemical Engineering/Biotechnology Vol. 48: Bioprocess Design and Control, (A. FIECHTER, Ed.), Springer-Verlag, Berlin, p. 169-191, 1993. KRISTIANSEN, B. (Ed.) Integrated Design of a Fermentation Plant - The Production of Baker’s Yeast, VCH, Weinheim, 1993. LABEX SYMP. ON COMPUTER CONTROL OF FERMENTATION PROCESSES (PROCS.), Fermentation Design, Inc., London, 1971. LEIGH, J.R. (Ed.) Modelling and Control of Fermentation Processes, Peter Peregrinus Ltd., Stevenage, 1986. 1.4 BIBLIOGRAFIA 43 LIM, H.C., LEE, K.-S. Control of Bioreactor Systems. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap. 16, 509-560, 1991. LOGAN, B.E. Engineering Implications of a New Trickling Filter Model. J. Water Pollut. Control Fed., 56:2, 1017, 1987. LÜBBERT, A. Automation in Biotechnology. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap. 17, 561-602, 1991. LÜBBERT, A., SIMUTIS, R. Using Measurement Data in Bioprocess Modelling and Control. Trends Biotechnol., 12:8, 304-311, 1994. MARIGNETTI, N., FUMI, M.D., SILVA, A., BATTISTOTTI G. Trapped Acetobacter in Membrane Bioreactor: Fractal Interpretation of a Compatible Population. Biotechnol. Techniques, 7:3, 205-208, 1993. MELICK, M.R., KARIM, M.N., LINDEN, J.E., DALE, B.E., MIHALTZ, P. Mathematical Modeling of Ethanol Production by Immobilized Zymomonas mobilis in a Packed Bed Fermenter. Biotechnol. Bioeng., 29, 370-382, 1987. MONTAGUE, G.A., MORRIS, A.J. Neural-Network Contributions in Biotechnology. Trends Biotechnol., 12, 8, 312-323, 1994. MONTAGUE, G.A., MORRIS, A.J., WARD, A.C. Fermentation Monitoring and Control: A Perspective, Biotechnology and Genetic Engineering Reviews, 7, 147-188, 1989. MORGAN, N. Bioreactors: Engineering for Efficiency. Chem. Eng., 30, 11, 1992. MOSER, A. Bioprocess Technology, Kinetics and Reactors, Springer-Verlag, New York, 1988. MOU, D.-G., COONEY, C.L. Growth Monitoring and Control in Complex Medium: A Case Study Employing Fed-Batch Penicillin Fermentation and Computer-Aided On-line Mass Balancing. Biotechnol. Bioeng., 25, 257-269, 1983. NARENDRA, K.S., ANNASWAMY, A.M. Stable Adaptive Systems, Prentice-Hall, Inc., Englewood Cliffs NJ, 1989. NYIRI, L.K. Application of Computers in Biochemical Engineering. Advances in Biochemical Engineering, Vol. 2, (T.K. GHOSE, A. FIECHTER, N. BLAKEBROUGH, Eds.), Springer-Verlag, cap. 2, 49-95, 1972. OMSTEAD, D.R. Computer Control of Fermentation Processes, CRC Press, Boca Raton FL, 1990. ONKEN, U., WEILAND, P. Control and Optimization. Biotechnology A Comprehensive Treatise in 8 Volumes, 1ª ed., (H.J. REHM, G. REED, Eds.), vol. 2: Fundamentals of Biochemical Engineering (H. BRAUER, Ed. vol.), VCH, Weinheim, cap. 30, 787-806, 1984. PARULEKAR, S.J., LIM, H.C. Modeling, Optimization and Control of Semi-batch Bioreactors. Advances in Biochemical Engineering/Biotechnology, Vol. 32: Agricultural Feedstock and Waste Treatment and Engineering, (T.K. GHOSE, A. FIECHTER, Eds.), Springer-Verlag, 207-258, 1985. PONS, M.-N. Bioprocess Monitoring and Control, Carl Hanser Verlag, Munique, 1992. RENARD, P, VAN BREUSEGEM, V., NGUYEN, M.-T., NAVEAU, H., NYNS, E.-J. Implementation of an Adaptive Controller for the Startup and Steady-State Running of a Biomethanation Process Operated in the CSTR Mode. Biotechnol. Bioeng., 38:8, 805-812, 1991. REUSS, M. Computer Control of Bioreactors. Present Limits and Challenges for the Future. Chemical Process Control CPC3 (Proc. 3rd Int. Conf., M. MORARI e T.J. MCAVOY, Eds.), Elsevier, New York, 641-688, 1986. ROLF, M.J., LIM, H.C. Computer Control of Fermentation Processes. Enzyme Microb. Technol., 4, 370-380, 1982. ROYCE, P.N. A Discussion of Recent Developments in Fermentation Monitoring and Control from a Practical Perspective. CRC Critical Reviews in Biotechnology, 13:2, 117-149, 1993. RYU, D.D.Y., HUMPHREY, A.E. Examples of Computer-aided Fermentation Systems. J. Appl. Chem. Biotechnol., 23, 283-295, 1973 1. INTRODUÇÃO 44 SCHÜGERL, K. Biofluidization: Application to the Fuidization Technique in Biotechnology. Can. J. Chem. Eng., 67, 178-184, 1989. SCHÜGERL, K. (Ed. vol.) Measuring, Modelling and Control. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., Vol. 4, (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), VCH, Weinheim, 1991. SHIBA, S., NISHIDA, Y., PARK, Y.S., IIJIMA, S., KOBAYASHI, T. Improvement of Cloned α-Amilase Gene Expression in Fed-batch Culture of Recombinant Saccharomyces cerevisiae by Regulating both Glucose and Ethanol Concentrations Using a Fuzzy Controller. Biotechnol. Bioeng, 44, 1055-1063, 1994. SHIMIZU, K An Overview on the Control System Design of Bioreactors. Advances in Biochemical Engineering/Biotechnology, Vol. 50: Measurement and Control, (A. FIECHTER, Eds.), Springer-Verlag, 65-84, 1993. SHIMIZU, K Current Progress in Bioprocess Systems Engineering. Proc. 5th Int. Symp. on Process System Engineering, PSE'94, Kyongju, Korea, (E.S. YOON, Ed. Korean Institute of Chemical Engineeers), 531550, 1994. TANAKA, A., TOSA, T., KOBAYASHI, T. Industrial Application of Immobilized Biocatalysts, Marcel Dekker, Inc., New York, 1993. TEIXEIRA, J.A., MOTA, M., FEYO DE AZEVEDO, S. Hydrodynamic and Kinetic Modelling of a Flocculating Bioreactor with Cell Recycle. Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 115-120, 1989. THE FIRST EUROPEAN CONFERENCE ON COMPUTER PROCESS CONTROL IN FERMENTATION, Station de Génie Microbiologique, Dijon, 1973. TØTTRUP, H.V., CARLSEN, S. The Dynamics of Proinsulin Production in Recombinant Saccharomyces cerevisiae. Proc. Int. Workshop on Bioreactor Performance - Integrated Aspects of Physiology and Physics: Yeast as a Model Organism, Austrian Assoc. of Bioprocess Technology (Ed.), 169, 1990. VOLESKY, B., VOTRUBA, J. Modeling and Optimization of Fermentation Processes, Elsevier Science Publishers, Amsterdam, 1992. WEIGAND, W.A. Computer Applications to Fermentation Processes. Annual Reports on Fermentation Processes, Vol. 2, (D. PERLMAN e G.T. TSAO, Eds.), Academic Press, New York, cap. 3, 43-72, 1978. WANG, N.S., STEPHANOPOULOS, G.N. Computer Applications to Fermentation Processes. CRC Critical Reviews in Biotechnology, 2:1, 1-103, 1984. WERNER, R.G., LANGLOUIS-GAU, H. Meeting the Regulatory Requirements for Pharmaceutical Production of Recombinant DNA Derived Products. Arzneim.-Forsch./Drug Res., 39:1, 108-111, 1989. WILLIAMS, D. Problems of Measurement and Control in Biotechnological Processes. Chemical Engineering Problems in Biotechnology, (M.A. WINKLER, Ed.), Elsevier Applied Science, London, cap. 4, 167-213, 1990. WILLIAMS, D., YOUSEFPOUR, P., WELLINGTON, M.H. On-line Adaptive Control of a Fed-batch Fermentation of Saccharomyces cerevisiae. Biotechnol. Bioeng., 28, 631-645, 1986. YAMANÈ, T., SHIMIZU, S. Fed-batch Techniques in Microbial Processes. Advances in Biochemical Engineering/Biotechnology, Vol. 30 (T.K. GHOSE, A. FIECHTER, Ed.), Springer-Verlag, Berlin, 147194, 1984. ZABRISKIE, D.W. Real-time Applications of Computers in Fermentation Processes. Ann. N.Y. Acad. of Sci., 326, 223, 1979. ZABRISKIE, D.W. Data Analysis. Comprehensive Biotechnology, vol. 2: The Principles of Biotechnology: Engineering Considerations, (M. MOO-YOUNG, Ed.), Pergamon Press, Oxford, cap. 10, 175-190, 1985. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA EUGÉNIO C. FERREIRA FEUP 1995 2. Descrição dos Processos Biotecnológicos Sumário Neste capítulo faz-se uma descrição dos processos biotecnológicos em estudo: produção de fermento de padeiro, fermentação etanólica e síntese enzimática de ampicilina. São expostos aspectos biológicos e/ou bioquímicos e são apresentados os processos tecnológicos de fabrico. São apontadas as principais reacções que constituem os esquemas reaccionais utilizados no decorrer deste trabalho. 2.1 PRODUÇÃO DE FERMENTO DE PADEIRO 2.2 FERMENTAÇÃO ETANÓLICA 2.3 SÍNTESE ENZIMÁTICA DE AMPICILINA 2.4 BIBLIOGRAFIA 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 46 2.1 Produção de fermento de padeiro 2.1.1 Introdução As leveduras constituem na actualidade o grupo de microrganismos mais importante a ser explorado comercialmente e a ser consumido pela Humanidade. PEPPLER (1978), VERACHTERT e DE MOT (1990), SPENCER e SPENCER (1990) apresentam diversas aplicações industriais das leveduras (cerveja, destilarias, sumos, alimentos fermentados, queijo, etanol, etc.). O fermento de padeiro, utilizado nas indústrias de panificação para fazer levedar a massa, é composto, essencialmente, por células vivas da levedura Saccharomyces cerevisiae. A produção industrial de fermento de padeiro iniciou-se há mais de 100 anos na Europa, provavelmente na Holanda, havendo sinais da sua utilização há já alguns milhares de anos (TRIVEDI et al., 1986). Até ao século passado, os padeiros recorriam às cervejeiras para fornecimento da chamada levedura de cerveja. Quando estas alteraram o processo de produção da cerveja, de levedura de fermentação alta para uma levedura de fermentação baixa, as padarias passaram a não poder utilizar este novo tipo de levedura (fraco poder gaseificante e sabor amargo), recorrendo à levedura de destilaria, que foi sendo substituída lentamente pelo fermento produzido em pequenas fábricas, emergindo desde então uma nova indústria. O processo de fabrico do fermento de padeiro foi sendo aperfeiçoado ao longo do século passado, tendo havido vários saltos tecnológicos, como a introdução do arejamento na fermentação (devido a MARQUARDT em 1879, segundo TRIVEDI et al., 1986) e a alimentação lenta de açúcar ao reactor arejado (entre 1915 e 1920). Esta última contribuição foi proposta independentemente por dois cientistas, o dinamarquês S. SAK e o alemão F.F. HAYDUCK. Este tipo de processo de alimentação foi denominado de Zulaufverfahrenulaf ou processo Zulauf. Historicamente, esta proposta corresponde à introdução da operação semi-contínua (“fed-batch”) em fermentadores, método hoje muito utilizado noutros processos biotecnológicos. 2.1.2 Aspectos biológicos As leveduras são microrganismos eucariotas, normalmente maiores e mais complexos do que os organismos procariotas, como as bactérias. As leveduras constituem um grupo 2.1 PRODUÇÃO DE FERMENTO DE PADEIRO 47 de organismos do tipo fungo, com predominância da forma unicelular e reprodução assexual vegetativa por gemulação. As leveduras, não constituindo uma entidade taxionómica, compreendem 39 géneros e cerca de 400 espécies (STEWART e RUSSELL, 1985). RATLEDGE (1990) refere a classificação das leveduras em dois grupos: ascosporógenas ou ascomicéticas (33 géneros) e basidiomicéticas (6 géneros). Refere ainda a existência de um terceiro grupo com 17 géneros: as leveduras imperfeitas. As Saccharomyces são incluídas no grupo das formadoras de ascósporos. A descrição pormenorizada da citologia das células de levedura pode ser encontrada em várias obras de referência (ROSE e HARRISON, 1987). Na Figura 2.1 apresenta-se um desenho simplificado de uma célula de levedura (RATLEDGE, 1990). Figura 2.1 Reprodução duma célula típica de levedura As células de levedura apresentam normalmente uma forma oval, com tamanhos compreendidos entre 4-8 µm × 5-18 µm. A caracterização dos componentes celulares compreende mais de doze microestruturas, com destaque para a parede celular, membrana citoplasmática, retículo endoplasmático, mitocôndrias, ribossomas, núcleo, vacúolos e inclusões diversas (glicogénio, lípidos, pigmentos, etc.). A reprodução das leveduras pode dar-se vegetativamente por gemulação (assexual), em condições adversas por esporulação (sexual) e ainda por fissão. Em condições normais de crescimento as leveduras reproduzem-se por gemulação que consiste na formação de uma célula nova a partir de uma pequena protuberância - a gémula - na superfície da célula mãe. Quando a gémula estiver com tamanho próximo do da célula mãe (cerca de 30 minutos), dá-se finalmente a separação. Tanto a célula filha como célula mãe continuarão a repetir o processo de gemulação. Uma célula produz, durante a sua vida, cerca de 24 células filhas. A reprodução sexual é induzida em condições adversas ao crescimento vegetativo, através da produção de esporos sexuados (ascósporos no caso da 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 48 Saccharomyces). Os esporos (no interior do asco) permitem à Saccharomyces sobreviver durante longos períodos em condições de secagem, altas temperaturas, etc. Detalhes da formação dos ascósporos em resultado da fusão de sexuada dos núcleos de duas células pode ser encontrado em textos base de microbiologia (PELCZAR et al., 1988). 2.1.3 Aspectos metabólicos O crescimento das leveduras, como organismos heterotróficos que são, depende duma variedade de compostos orgânicos e de alguns nutrientes minerais. Estes compostos são degradados por um conjunto de reacções químicas que ocorrem no interior da célula - o metabolismo. Durante o crescimento, as células utilizam os substratos de forma a satisfazer os seguintes requisitos: síntese de material celular, energia (através do ATP) e poder redutor (na forma de nucleótidos de piridina - NADH) expresso no potencial de oxidação-redução. O catabolismo é o conjunto de reacções metabólicas que permite executar os dois últimos requisitos. Ao conjunto de reacções metabólicas envolvidas na síntese de material celular dá-se o nome de anabolismo. Num meio aeróbio, o poder redutor é convertido em energia adicional através de um processo chamado fosforilação oxidativa. As leveduras são seres aeróbios (utilizam o oxigénio durante o metabolismo como aceitador final de electrões) e podem ser também anaeróbios facultativos, dado que conseguem crescer na presença ou ausência de ar. Os açúcares normalmente utilizados pelas leveduras como fonte de carbono incluem a sacarose, a glucose e frutose (TRIVEDI et al., 1986). Este autor refere ainda a galactose e a maltose como carbo-hidratos passíveis de serem metabolizados. Industrialmente, a produção de fermento de padeiro é efectuada usando melaço como substrato carbonatado. Os melaços, incluem normalmente sacarose, glucose e frutose, apresentando uma composição variada conforme a fonte utilizada para a sua obtenção, conforme se pode ver na Tabela 2.1 (TRIVEDI et al., 1986). A sacarose é hidrolisada no exterior da célula, em glucose e em frutose, pela enzima invertase presente na parede celular. Estas hexoses são de seguida degradadas no interior da célula. 2.1 PRODUÇÃO DE FERMENTO DE PADEIRO 49 Tabela 2.1 Composição em açucares para diferentes melaços Tipo de melaço % Sacarose % Glucose % Frutose Cana 5.0 6.6 5.2 Beterraba 35.8 5.2 3.1 Beterraba 15.4 5.6 3.2 Beterraba 48.8 1.2 1.6 A levedura S. cerevisiae cresce em glucose segundo três importantes vias metabólicas, podendo, contudo ocorrer outras vias dependendo das condições do meio de cultura (LIEVENSE, 1984). Na presença de altas concentrações de glucose (ou na ausência de oxigénio) ocorre a chamada fermentação da glucose ou crescimento fermentativo (via redutiva) com produção de etanol e dióxido de carbono. Esta etapa é relativamente pouco eficiente, apresentando um rendimento energético de aproximadamente 2 moles de ATP por mole de glucose. A conversão estequiométrica da glucose em etanol é traduzida pela seguinte equação: i. Fermentação da glucose C6H12O6 → 2C2H5OH + 2CO2 + Energia (2.1) A oxidação da glucose é a via predominante em culturas aeróbias para concentrações de -1 glucose inferiores a 90 - 100 mg.L (WOEHRER e ROEHR, 1981). É uma via mais eficiente que a anterior, apresentando um rendimento energético de 16 a 28 moles de ATP por mole de glucose oxidada (LIEVENSE, 1984). Esta via oxidativa, também conhecida como crescimento respirativo, apresenta a seguinte estequiometria: ii. Oxidação da glucose C6H12O6 + 6O2 → 6CO2 + 6H2O + Energia (2.2) O etanol formado pela via fermentativa pode ser consumido por via oxidativa na presença de baixas concentrações de glucose. Esta via apresenta um rendimento energético de 6 a 11 moles de ATP por mole de etanol oxidado (LIEVENSE, 1984) e tem a seguinte estequiometria: iii. Oxidação do etanol C2H5OH + 3O2 → 2CO2 + 3H2O + Energia (2.3) -1 Para concentrações de glucose superiores ao valor crítico (50-100 mg.L ) as vias respiratória e fermentativa da glucose podem ocorrer em paralelo, falando-se nesse caso de 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 50 um regime respiro-fermentativo ou oxido-redutivo (SONNLEITNER e KÄPELLI, 1986). Em cultura contínua ou descontínua não é normalmente observado a respiração conjunta de glucose e etanol (GEURTS et al., 1980). Estas etapas respiratórias poderão ocorrer em fermentações semi-contínuas e fala-se neste caso de regime respirativo ou oxidativo. Em reactores em que seja difícil manter condições de homogeneidade poderá acontecer a produção de etanol por algumas células e a utilização deste por outras células, implicando uma correspondente diminuição do rendimento (SWEERE et al., 1988). No interior da célula a glucose é metabolizada através de várias etapas nas seguintes vias: a glicólise, o ciclo dos ácidos tri-carboxílicos (ATC) também conhecido por ciclo de KREBBS ou ciclo do ácido cítrico e a cadeia respiratória. A Figura 2.2 apresenta uma versão simplificada do metabolismo da glucose para a S. cerevisiae (ENFORS et al., 1990). Um mapa bastante mais pormenorizado e uma descrição bastante completa deste metabolismo podem ser encontrados em LIEVENSE (1984). A glucose entra na glicólise sendo oxidada a piruvato por co-enzimas oxidados (NAD). O piruvato é o composto intermediário chave da síntese celular. A partir deste ponto pode haver formação de etanol por descarboxilação do piruvato e re-oxidação do co-enzima reduzido (NADH), ou, entrada no ciclo ATC por descarboxilação do piruvato em acetil-coenzima A. No ciclo dos ATC o carbono é oxidado a dióxido de carbono por diferentes coenzimas. Os coenzimas são re-oxidados na cadeia respiratória, através da fosforilação do ADP a ATP. Como vimos anteriormente, o etanol pode ser utilizado pela célula, entrando no ciclo dos ATC. A etapa da glicólise decorre no citoplasma e o ciclo dos ATC e a cadeia respiratória são realizados no interior das mitocôndrias. A série de reacções do regime respiro-fermentativo de degradação da glucose é denominada de via de EMBDEN-MEYERHOF-PARNAS (EMP). Ao metabolismo de excreção do etanol pelas células dá-se o nome de fermentação alcoólica. A respiração do etanol, efectuada por uma via inversa da via EMP, necessita da produção de certos precursores para a síntese de polissacáridos estruturais e de reserva, tal como acontece durante o crescimento em glucose, na etapa glicolítica. A síntese destes polissacáridos é designada por gluconeogénese. Esta etapa é reprimida e inibida pela presença de pequenas quantidades de glucose (LIEVENSE, 1984). 2.1 PRODUÇÃO DE FERMENTO DE PADEIRO 51 Glu-1P Glucose ATP Polisacáridos Glu-6P Ribulose-5P ATP Fru-1,6diP Gliceraldeído-3P NAD Etanol NADH NADH 2ATP CO2 Acetaldeído Piruvato Dihidróxi acetona-P Glicólise Ácidos Nucleicos Lípidos NADH Ácidos Gordos Acetil-CoA Respiração Oxaloacetato CO2 Ciclo dos ATC ADP ATP NADH O2 ácido α−ceto glutárico NAD H2O NH3 Aminoácidos Proteínas Figura 2.2 Mapa metabólico simplificado da utilização da glucose pela S. cerevisiae Para além dos produtos principais da três vias metabólicas consideradas nas equações (2.1) a (2.3), poderão surgir quantidades apreciáveis de outros compostos, dependendo das condições ambientais e da estirpe de levedura. Entre outros, refira-se o acetato, acetaldeído, piruvato e glicerol (DANTIGNY et al., 1989). Na regulação do metabolismo energético das leveduras são normalmente referidos dois fenómenos, o efeito PASTEUR e o efeito CRABTREE. O efeito PASTEUR está relacionado com o crescimento aeróbio da levedura: a fermentação (metabolismo redutivo) é inibida pela respiração e concomitantemente a glucose é menos utilizada do que na situação de crescimento anaeróbio. Basicamente, PASTEUR verificou uma diminuição da “eficiência fermentativa” pela presença de ar (FIECHTER e SEGHEZZI, 1992). O efeito CRABTREE refere-se à repressão do metabolismo oxidativo devido à presença de quantidades elevadas de glucose (superior a um certo valor crítico). A diminuição da capacidade de oxidação da glucose provoca uma alteração no metabolismo resultando na produção de etanol em presença de oxigénio. O efeito CRABTREE é também conhecido por efeito de glucose, se bem que, este efeito repressivo tenha sido observado noutros açúcares (frutose e manose). FIECHTER e 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 52 SEGHEZZI (1992) recomendam a não utilização das designações efeito de PASTEUR e efeito de CRABTREE, para descrever o metabolismo da glucose e a formação de etanol em presença de oxigénio. Referem que, os mecanismos de regulação poderão ser explicados em termos de capacidade respiratória das células (RIEGER et al., 1983; SONNLEITNER e KÄPPELI, 1986). Acrescentam ainda a conveniência de se realizarem experiências dinâmicas e utilizar fluxos em vez de concentrações estáticas. SONNLEITNER e KÄPPELI (1986) propuseram, com base na capacidade respiratória limitada das células, um novo conceito para a regulação do metabolismo da S. cerevisiae. Este mecanismo explica a formação do etanol como resultado de um sobre-fluxo de glucose na glicólise, que excede a capacidade oxidativa das células. Havendo excesso de glucose, a glicólise produzirá piruvato para além de um valor limite que o sistema respiratório consegue metabolizar. Este piruvato irá ser encaminhado para a produção de etanol. O modelo proposto por estes autores considera a glucose, o etanol e o oxigénio como substratos da levedura. A Figura 2.3 ilustra o metabolismo da glucose para a levedura S. cerevisiae (FIECHTER e SEGHEZZI, 1992). Dentro da célula podem distinguir-se três estruturas cinéticas: a capacidade limitada das células, o material de carbo-hidratos de reserva e a biomassa residual. glucose meio carbo-hidratos de reserva estrutura celular Crescimento Oxidativo em Glucose glucose Célula de levedura Crescimento Redutivo em Glucose piruvato etanol oxigénio restrição respiratória CO2 etanol H2O Figura 2.3 Representação esquemática do metabolismo da glucose em S. cerevisiae A Figura 2.4 (adaptada de SONNLEITNER e KÄPPELI, 1986) constitui uma tentativa ilustrada de explicação do conceito de capacidade respiratória limitada, através da figura da 2.1 PRODUÇÃO DE FERMENTO DE PADEIRO 53 restrição ou estrangulamento respiratório. São evidenciadas três situações relativamente à saturação da capacidade respiratória: • fluxo sub-crítico: o fluxo total de substratos consegue passar a restrição, isto é, os substratos são metabolizados oxidativamente; • fluxo crítico: o fluxo de substratos preenche completamente a restrição; • fluxo supra-crítico: o fluxo de substratos excede a restrição Relativamente à situação de fluxo de substrato(s) supra-crítico poderão ocorrer as seguintes situações: • fluxo de glucose supra-crítico. A parte de glucose que não consegue passar o estrangulamento é metabolizada redutivamente, com produção de etanol (a). Na situação de existência de etanol, este não será metabolizado (c) porque a restrição está já preenchida com glucose e não existe nenhuma via metabólica redutiva para o etanol. • fluxo de glucose sub-crítico e etanol adicional no meio. Enquanto os fluxos de etanol e de glucose não preenchem o estrangulamento, o etanol é utilizado oxidativamente (b). Após a saturação da restrição, o etanol já não é metabolizado (c). O modelo matemático proposto por SONNLEITNER e KÄPPELI (1986) é apresentado em detalhe no Apêndice A. ZENG e DECKWER (1994) demonstraram recentemente que a capacidade respiratória limitada da S. cerevisiae é devida a uma limitação da actividade do ciclo dos ATC. Relacionam as vias metabólicas com balanços macroscópicos para cálculo das taxas de utilização de oxigénio resultante dos diferentes caminhos de geração de equivalentes redutores e da actividade do ciclo dos ATC. Em cultura contínua de S. cerevisiae verifica-se por vezes, após ligeiras perturbações ou mesmo espontaneamente, a ocorrência de um fenómeno de sincronização, com oscilações regulares em várias variáveis metabólicas (HEINZLE et al., 1983; LIEVENSE, 1984; BELLGARDT, 1994ab). Estes autores explicam o fenómeno com base no ciclo de reprodução da levedura. STRÄSSLE et al. (1988 e 1989) e MUNCH et al. (1992) utilizam o conceito de capacidade respiratória limitada para tentar compreender a sincronização: na fase de gemulação verifica-se uma transferência dos carbo-hidratos de reserva a uma taxa que excede a capacidade limitada, decorrendo daí a excreção de etanol e sua utilização imediata pelas células. 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS sub-crítico 54 supra-crítico crítico a b c b b a glucose metabolizada oxidativamente etanol metabolizado etanol produzido c etanol não utilizado Figura 2.4 Representação esquemática da capacidade respiratória limitada 2.1.4 Aspectos processuais Estão disponíveis na literatura da especialidade várias descrições bastante completas do processo de fabrico de fermento de padeiro (por exemplo: TRIVEDI et al., 1986; VERACHTERT e DE MOT, 1990 e KRISTIANSEN, 1993). No seguimento, faz-se uma descrição simplificada da obtenção industrial de fermento de padeiro. O processo de fabrico é antecedido pelas etapas de tratamento dos melaços e preparação das matérias-primas auxiliares. Paralelamente, decorre em laboratório, a propagação de culturas puras de Saccharomyces cerevisiae, que são sucessivamente transferidas para estágios de preparação do inóculo em fermentadores descontínuos aeróbios de volume crescente. O estágio de produção é efectuado em reactores de grande dimensão (é comum um volume de 250 m3) operados em modo semi-contínuo através da alimentação dos melaços. Terminada a fermentação, o caldo é tratado em equipamento de separação (centrifugação e filtração) de forma a concentrar o creme de levedura por remoção de água. 2.2 FERMENTAÇÃO ETANÓLICA 55 O creme espessado é então alimentado a um secador e a massa obtida é finalmente extrudida e embalada em blocos. As embalagens são armazenadas a frio mantendo a sua actividade para além de um ano. A actividade levedante do fermento, a estabilidade de armazenamento, o rendimento em substrato e a aparência do produto são função do estado fisiológico no fim da fermentação. No estágio final da fermentação há, normalmente, uma diminuição da taxa de crescimento das células. A alimentação azotada deve ser interrompida algumas horas antes do fim da fermentação, de modo a evitar o início da gemulação e favorecer a síntese de carbohidratos de reserva (TRIVEDI e JACOBSON, 1986). É recomendável uma ligeira produção de etanol de forma a induzir o sistema enzimático da via catabólica fermentativa e evitar assim um longo período de adaptação aquando da utilização do fermento (POMERLEAU, 1990). Os objectivos de fim de fermentação relacionam-se com a obtenção de leveduras com fortes reservas de hidratos de carbono e actividade enzimática apropriada (indicada pela percentagem de proteínas). 2.2 Fermentação etanólica O etanol pode ser produzido a partir de recursos renováveis de baixo custo (melaços, amido, materiais agrícolas e celulósicos, efluentes industriais), constituindo uma alternativa à diminuição dos recursos petrolíferos, utilizados na síntese química. A obtenção de etanol por via fermentativa é efectuada há já vários milénios. A produção por fermentação recorre a algumas espécies de Saccharomyces, às leveduras Kluyveromyces (TEIXEIRA et al., 1990) e Candida (MANN, 1980) e à bactéria Zymomonas (ROGERS et al., 1982). Conforme foi referido no item anterior, relativo à produção de fermento de padeiro, o etanol constitui um produto da degradação fermentativa da glucose, a chamada fermentação alcoólica ou fermentação etanólica. A conversão estequiométrica da glucose em etanol é traduzida pela seguinte equação: Fermentação etanólica C6H12O6 → 2C2H5OH + 2CO2 + Energia (2.1)=(2.4) É conhecido o efeito inibitório dos álcoois no crescimento das leveduras (VAN UDEN, 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 56 1989). A toxicidade do etanol é mais pronunciada no caso da utilização do etanol produzido no decorrer da fermentação do que no caso da adição externa (NOVACK et al., 1981). CRUEGER e CRUEGER (1989) referem que um aumento da concentração de etanol até -1 35 g.L provoca uma diminuição na síntese celular, e que para valores superiores (a partir -1 de 40 - 65 g.L ) se verifica a inibição da síntese de etanol. Os efeitos conjugados da glucose e do etanol na inibição da síntese celular foram objecto do trabalho de MOTA (1985). Recentemente, DASARI et al. (1990) referem a inexistência de diferenças de toxicidade entre etanol produzido e etanol adicionado através de experiências efectuadas -1 em meio rico (80 g.L de extracto de levedura). Estes autores sugerem que o magnésio existente no extracto de levedura constitui o factor responsável por esse efeito. 2.3 Síntese enzimática de ampicilina 2.3.1 Características da ampicilina A ampicilina é um antibiótico pertencente ao grupo das penicilinas β-lactâmicas. Foi a primeira penicilina semi-sintética activa por ingestão oral no tratamento de doenças infecciosas, a obter uma grande aceitação em utilizações clínicas. Na convenção da IUPAC, a ampicilina é designada pelo seguinte nome: ácido [2S- [2a,5a,6β(S*)]] -6-[(aminofenilacetil)-amino-3,3-dimetil-7-oxo-4-tio-1-azabiciclo- [3.2.0] heptano-2-carboxílico. Por vezes, é também designada por α-aminobenzilpenicilina. A ampicilina pode ser representada pela seguinte fórmula elemental C16H19N3O4S de peso molecular 349.41 g.mole-1, correspondente à seguinte estrutura química: NH2 O H S C H C CH3 N N O CH3 COOH Figura 2.5 Estrutura química da ampicilina A ampicilina é um pó cristalino de cor branca. Apresenta o cheiro característico das penicilinas. Pode existir na forma anidro, mono-, sesqui- e tri- hidratada. 2.3 SÍNTESE ENZIMÁTICA DE AMPICILINA 57 2.3.2 Métodos de produção 2.3.2.1 Síntese química A ampicilina tem sido produzida quimicamente por condensação do ácido 6aminopenicilânico (6-APA) com α-fenilglicina (FG) protegida. A protecção da amina primária da FG é efectuada com auxílio de vários grupos químicos (por exemplo: 2-nitro4-metoxifenilsulfenil, furfural, N-carboxianidro). A ampicilina é regenerada por remoção dos grupos protectores. A ampicilina pode também ser sintetizada por tratamento do 6APA com brometo de α-bromofenilacetil através da hidrogenação catalítica da penicilina azido, reacção do 6-APA com cloreto de D(-)-2-fenilglicina e tri-metilsiliconamina e piridina. A ampicilina é ainda preparada por tratamento de α-bromobezilpenicilina com hexametilenotetramina. 2.3.2.2 Produção microbiológica A ampicilina pode ser obtida microbiologicamente por incubação de micróbios (algumas espécies de Pseudomonas, Kluyvera citrophila, Rhodopseudomonas spheroides, Micrococcus ureae) com 6-APA e FG, através da acilação enzimática do 6-APA. Pode ainda ser sintetizada através da enzima penicilina acilase obtida de Escherichia coli (COLE, 1969). 2.3.2.3 Isolamento e purificação A ampicilina é normalmente purificada através de recristalizações ácidas ou alcalinas. É dissolvida num ácido mineral ou numa solução cáustica e precipitada por ajuste do pH. A ampicilina é então purificada por dissolução em di-cloreto de metileno contendo trietilamina seguido de filtração e precipitação com ácido p-tolueno sulfónico. Alternativamente, a ampicilina é separada do 6-APA por filtração de clorofórmio ou cloreto de metileno contendo trietilamina e evaporação do solvente. As impurezas antigénicas são removidas da solução por filtração de gel. 2.3.3 Síntese enzimática laboratorial A procura de métodos enzimáticos, para a síntese de produtos de química fina e farmacêuticos, como alternativa à síntese química, tem sido nos últimos anos bastante estimulada (KASCHE, 1986). Os problemas colocados pela síntese química (uso de altas 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 58 temperaturas e pressões, problemas ambientais com solventes, reactores de grande dimensão) incentivam o desenvolvimento de novos processos baseados na redução dos custos de produção e de processamento, na minimização da utilização de solventes tóxicos e respectiva reciclagem. A biotecnologia, especialmente a tecnologia enzimática, oferece algumas opções interessantes para satisfazer estes requisitos. A utilização de enzimas como catalisadores permite obter certos produtos sem o recurso a altas temperaturas ou pressões. Os custos dos processos de separação e da purificação podem ser reduzidos desde que se obtenham altos rendimentos de conversão. A utilização de produtos naturais como matéria-prima permite a utilização de processos com boas taxas de reciclagem. A síntese enzimática de ampicilina tem como substratos o ácido 6-aminopenicilânico (6-APA) e o éster metilfenilglicina (MFG). A metilfenilglicina constitui uma designação alternativa do seguinte nome IUPAC d-(-)-α-aminofenil- acetato de metilo. Este processo utiliza como catalisador a enzima penicilina acilase (E.C. 3.5.1.11) proveniente de Escherichia coli, imobilizada em glutaraldeído. Esta enzima tem sido utilizada industrialmente para a obtenção de 6-APA como produto da hidrólise da penicilina. Neste processo, ocorrem simultaneamente três reacções (e respectivas reacções reversíveis): a síntese propriamente dita, a hidrólise da ampicilina (Amp) e a hidrólise da metilfenilglicina (que origina fenilglicina), conforme o seguinte esquema reaccional (adaptado de KASCHE, 1986) apresentado na Figura 2.6. Na reacção de síntese, a enzima age como uma transferase, transferindo o radical acilo do substrato activado MFG para o substrato nucleófilo 6-APA, com formação de um composto intermediário entre a enzima e o radical acilo (KONECNY, 1981; KASCHE et al., 1984): Síntese de ampicilina MFG + 6-APA → Amp + MeOH (2.5) 2.3 SÍNTESE ENZIMÁTICA DE AMPICILINA N H2 S C H3 N O N H2 C H3 + C H 59 O Transferase + C H 2O O H C H C N S C H3 N O C H3 (AM P) COOH (6-APA) N H2 O C H3 COOH CH 3O H + + H 2O (M FG ) hidrolase hidrolase N H2 C H O + CH 3 O H + 6-APA C OH (PG ) N H2 O C H + C O H+ - Figura 2.6 Esquema reaccional da síntese de ampicilina A enzima comporta-se como uma hidrólase nas outras duas reacções, catalisando a hidrólise do 6-APA e da ampicilina: Hidrólise de metilfenilglicina MFG + H2O → PG + MeOH (2.6) Hidrólise da ampicilina Amp + H2O → 6-APA + PG (2.7) KASCHE (1986) denomina este tipo de reacção como síntese cineticamente controlada, por oposição à síntese controlada por equilíbrio. Nesta última situação a enzima acelera a velocidade de reacção até ao estabelecimento do equilíbrio termodinâmico, não sendo possível a obtenção de concentrações de não equilíbrio. As concentrações de equilíbrio não são influenciadas pelas propriedades da enzima. Numa síntese cineticamente controlada conseguem obter-se concentrações de não equilíbrio. Em sistemas vivos a reacção de condensação ou a hidrólise dos substratos activados representam uma perda desfavorável de energia química. Deste modo, as transferases empregues para activação do substrato em síntese controlada cineticamente in vivo evoluíram por supressão da sua capacidade catalítica de hidrolisar compostos. Os factores principais que afectam o rendimento da reacção de síntese são: a 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 60 temperatura, o pH, força iónica (KASCHE e GALUNSKY, 1982) e a presença de solventes orgânicos. A reacção de síntese é favorecida para valores de pH entre 6.0 e 6.5, enquanto que a reacção de hidrólise é favorecida para pH entre 7.5 e 8.5. Esta dependência do pH está relacionada com o facto de tanto a reacção de hidrólise de ampicilina como a hidrólise da MFG serem acompanhadas pelo equilíbrio de dissociação da fenilglicina. KASCHE (1985) refere o aumento do rendimento da síntese pela presença de etanol ou metanol, sendo mais pronunciado no caso do etanol. Estes compostos reduzem o coeficiente de actividade da água e actuam na estrutura do sítio activo da enzima. 2.4 Bibliografia BELLGARDT, K.-H. Analysis of Synchronous Growth of Baker's Yeast. Part I: Development of a Theoretical Model for Sustained Oscillations. J. Biotechnol., 35, 1, 19-33, 1994a. BELLGARDT, K.-H. Analysis of Synchronous Growth of Baker's Yeast. Part II: Comparison of Model Prediction and Experimental Data. J. Biotechnol., 35, 1, 35-49, 1994b. COLE, M. Factors Affecting the Synthesis of Ampicillin and Hydroxypenicillins by the Cell-bound Penicillin Acylase of E. coli. Biochem. J., 115:4, 747-756, 1969. CRUEGER, W., CRUEGER, A. Biotechnology - A Textbook of Industrial Microbiology, R. Oldenbourg Verlag, Munique, 1989. DANTIGNY, P., NINOW, J.L., MARC, I., ENGASSER, J.M. Representation of Changes in the Metabolic Pattern of Baker’s Yeast from Measurements of Extracellular Pyruvate, Acetate, Acetaldehyde and Ethanol. Biotechnol. Lett., 11:7, 515-520, 1989. DASARI, G., WORTH, M.A., CONNOR, M.A., PAMMENT, N.B. Reasons for the Apparent Difference in the Effects of Produced and Added Ethanol on Culture Viability During Rapid Fermentations by Saccharomyces cerevisiae. Biotechnol. Bioeng., 35, 109-122, 1990. ENFORS, S.-O., HEDENBERG, J., OLSSON, K. Simulation of the Dynamics in the Baker’s Yeast Process. Bioprocess Eng., 5, 191-198, 1990. FIECHTER, A., SEGHEZZI, W. Regulation of Glucose Metabolism in Growing Yeast Cells. J. Biotechnol., 27, 27-45, 1992. GEURTS, T.G.E., DE KOK, H., ROELS, J.A. A Quantitative Description of the Growth of S. cerevisiae CBS426 on a Mixed Substrate of Glucose and Ethanol. Biotechnol. Bioeng., 22, 2031, 1980. HEINZLE, E., DUNN, I.J., FURUKAWA, K., TANNER, R.D. Modelling of Sustained Oscillations Observed in Continuous Culture of Saccharomyces cerevisiae. Modelling and Control of Biotechnical Processes (Proc. 1st IFAC Workshop, Helsinki, Finland, 1982, A. HALME, Ed.), Pergamon Press, Oxford, 57-66, 1983. KASCHE, V. Ampicillin- and Cephalexin-Synthesis Catalyzed by E. coli Penicillin Amidase. Yield Increase Due to Substrate Recycling. Biotechnol. Lett., 7:12, 877-882, 1985. KASCHE, V. Mechanism and Yield in Enzyme Catalyzed Equilibrium and Kinetically Controlled Synthesis of β-Lactam Antibiotics, Peptides and Other Condensation Products. Enzyme Microbiol. Technol., 8:1, 415, 1986. KASCHE, V., GALUNSKY, B. Ionic Strength and pH Effects in the Kinetically Controlled Synthesis of Benzylpenicillin by Nucleophilic Deacylation of Free and Immoblized Phenyl-Acetyl-Penicillin Amidase with 6-Aminopenicillanic Acid. Biochem. Biophys. Res. Commun., 104:4, 1215-1222, 1982. 2.4 BIBLIOGRAFIA 61 KASCHE, V., HAUFLER, U., ZOLLNER, R. Kinetic Studies on the Mechanism of the Penicillin AmidaseCatalysed Synthesis of Ampicillin and Benzylpenicillin. Hoppe-Seyler’s Z. Physiol. Chem., 365, 14351443, 1984. KONECNY, J. Penicillin Acylase as Amidohydrolases and Acyl Transfer Catalysts. Biotechnol. Letters, 3:3, 107-112, 1981. KRISTIANSEN, B. (Ed.) Integrated Design of a Fermentation Plant - The Production of Baker’s Yeast, VCH, Weinheim, 1993. LIEVENSE, J.C. An Investigation of the Aerobic, Glucose-limited Growth and Dynamics of Saccharomyces cerevisiae, Dissertação de Doutoramento, Purdue University, 1984. MANN, E.J. Alcohols from Whey. Dairy Industries Int., 45:3, 47-48, 1980. MOTA, M. Inhibition et Fermentation Alcoholique: Quelques Concepts Non Conventionnels. Dissertação de Doutoramento, INSA, Toulouse, 1985. MUNCH, T., SONNLEITNER, B., FIECHTER, A. New Insights into the Synchronization Mechanism with Forced Synchronous Cultures of Saccharomyces cerevisiae. J. Biotechnol., 24, 299-314, 1992. NOVAK, M., STREHAINO, P., MORENO, M., GOMA, G. Alcoholic Fermentation: On the Inhibitory Effect of Ethanol. Biotechnol. Bioeng., 23, 201-211, 1981. PELCZAR, M., REID, R., CHAN, E.C.S. Microbiology, McGraw-Hill, New York, 1988. POMERLEAU, Y. Modélisation et Contrôle d'un Procédé Fed-Batch de Culture des Levures à Pain (Saccharomyces cerevisiae). Dissertação de Doutoramento, Université de Montreal, 1990. PEPPLER, H.J. Yeasts, Annual Reports on Fermentation Processes, vol. 2 (D. PERLMAN, G.T. TSAO, Eds.), Academic Press, New York, 191-202, 1978. RATLEDGE, C. Yeast Physiology - A Micro Synopsis, Proc. Int. Workshop on Bioreactor Performance Integrated Aspects of Physiology and Physics: Yeast as a Model Organism (ÖGBPT - AUSTRIAN ASSOC. OF BIOPROCESS TECHNOLOGY, Ed.), 37-67, 1990. RIEGER, M., KÄPELLI, O., FIECHTER, A. The Role of Limited Respiration in the Incomplete Oxidation of Glucose by Saccharomyces cerevisiae. J. Gen. Microbiol., 129, 653-661, 1983. ROSE, A.H., HARRISON, J.S. (Eds.) The Yeasts, 2ª ed., Academic Press, New York, 1987. ROGERS, P.L., LEE, K.J., SKOTNICKI, M.L., TRIBE, D.E. Ethanol Production by Zymomonas mobilis. Advances in Biochemical Engineering/Biotechnology, Vol. 23: Microbial Reactions, (A. FIECHTER, Ed.), Springer-Verlag, Berlin, 37-84, 1982. SONNLEITNER, B., KÄPELLI, O. Growth of Saccharomyces cerevisiae is Controlled by its Limited Respiratory Capacity: Formulation and Verification of a Hypothesis. Biotechnol. Bioeng., 28, 927-937, 1986. SPENCER, J.F.T., SPENCER, D.M. Yeast Technology, Springer-Verlag, Berlin, 1990. STEWART, G.G., RUSSELL, I. The Biology of Saccharomyces, Biology of Industrial Microorganisms (A.L. DEMAIN, N.A. SOLOMON, Eds.), The Benjamin/Cummings Publ. Comp., London, cap. 17, 511-536, 1985. STRÄSSLE, C., SONNLEITNER, B., FIECHTER, A. A Predictive Model for the Spontaneous Synchronization of Saccharomyces cerevisiae Grown in Continuous Culture. I. Concept. J. Biotechnol., 7, 299-318, 1988. STRÄSSLE, C., SONNLEITNER, B., FIECHTER, A. A Predictive Model for the Spontaneous Synchronization of Saccharomyces cerevisiae Grown in Continuous Culture. II. Experimental Verification. J. Biotechnol., 9, 191-208, 1989. SWEERE, A.P.J., MATLA, Y.A., ZANDVLIET, J., LUYBEN, K.CH.A.M., KOSSEN, N.W.F. Experimental Simulation of Glucose Fluctuations: the Influence of Continually Changing Glucose Concentrations on the Baker's Yeast Production. Appl. Microbiol. Biotechnol., 28, 109-115, 1988. TEIXEIRA, J.A., MOTA, M., GOMA, G. Continuous Ethanol Production by a Flocculating Strain of Kluyveromyces marxians: Bioreactor Performance. Bioprocess Eng., 5, 123-127, 1990. 2. DESCRIÇÃO DOS PROCESSOS BIOTECNOLÓGICOS 62 TRIVEDI, N.B., JACOBSON, G. Recent Advances in Baker’s Yeast, Progress in Industrial Microbiology, Vol. 23: Micro-organisms in the Production of Food, (M.R. ADAMS, Ed.), Elsevier, Amsterdam, 15-71, 1986. TRIVEDI, N.B., JACOBSON, G., TESCH, W. Baker’s Yeast, CRC Crtical Reviews in Biotechnology, 24:1, 75109, 1986. VERACHTERT, H., DE MOT, R. Yeast - Biotechnology and Biocatalysis, Marcel Dekker, Inc., New York, 1990. VAN UDEN (Ed.) Alcohol Toxicity in Yeasts and Bacteria, CRC Press, Boca Raton, 1989. WOEHRER, W., ROEHR, M. Regulatory Aspects of Baker’s Yeast Metabolism in Aerobic Fed-batch Cultures, Biotechnol. Bioeng., 23, 567-581, 1981. ZENG, A.-P., DECKWER, W.-D. Pathway Analysis of Oxygen Utilization and Tricarboxylic Acid Cycle Activity in Saccharomyces cerevisiae Growing on Glucose, J. Biotechnol., 37, 67-77, 1994. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA EUGÉNIO C. FERREIRA FEUP 1995 3. Descrição Experimental Materiais e Métodos Sumário Neste capítulo é exposta a metodologia experimental para execução de experiências à escala laboratorial. Faz-se a descrição dos métodos analíticos e da instrumentação utilizada para os três processos em estudo. São apresentados os requisitos e realizações de um laboratório de teste de estratégias de monitorização e controlo de processos de fermentação com aplicação à produção de fermento de padeiro. 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 3.2 FERMENTAÇÃO ETANÓLICA 3.3 SÍNTESE ENZIMÁTICA DE AMPICILINA 3.4 BIBLIOGRAFIA 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 64 3.1 Produção de fermento de padeiro A instalação experimental para produção de fermento de padeiro, por nós projectada, está em funcionamento no Centro de Engenharia Biológica da Universidade do Minho, em Braga. A descrição sucinta que se segue é a nossa contribuição para os requisitos e realizações de um laboratório de teste de estratégias de monitorização e controlo de processos de fermentação. São lançadas as bases experimentais para validação das metodologias teóricas desenvolvidas neste trabalho. Assim, e não se apresentando resultados das várias corridas efectuadas até ao momento, julgou importante fazer-se uma primeira descrição desta instalação. A apresentação completa será efectuada em OLIVEIRA (1995) que tem contribuído, paralelamente, para a realização laboratorial. 3.1.1 Fermentação 3.1.1.1 Microrganismo O microrganismo de trabalho foi a levedura Saccharomyces cerevisiae. As razões para a escolha deste microrganismo foram apresentadas na Secção 1.1. A estirpe utilizada H1022 (ATCC 32167) tem sido alvo de vários estudos, salientando-se em especial os trabalhos da equipa do Prof. ARMIN FIECHTER do ETH, Zurique, Suiça (RIEGER et al., 1983; SONNLEITNER e KÄPELLI, 1986; FIECHTER e SEGHEZZI, 1992; MÜNCH et al., 1992ab; LOCHER et al., 1993). A estirpe foi conservada em tubos inclinados de YM ágar (Difco Laboratories, EUA), sendo sujeita a repicagens periódicas. 3.1.1.2 Meio de cultura O meio de cultura semi-sintético utilizado para as fermentações está indicado na Tabela 3.1. O meio é preparado em recipiente apropriado, com água potável e o pH é ajustado a 4.0±0.1 com H3PO4. Este meio é esterilizado em autoclave durante 20 minutos à temperatura de 121°C. 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 65 Tabela 3.1 Composição do meio de cultura para produção de fermento de padeiro -1 Grau de pureza Marca 20.0 puro M.C.&S. KH2PO4 5.0 puro Budenheim (NH4)2SO4 2.0 P.A. Pronalab MgSO4.7H2O 0.4 P.A. Pronalab Extracto de levedura 1.0 bioquímico Merck Composto D-Glucose anidro Concentração (g.L ) 3.1.1.3 Fermentador As fermentações descontínuas e semi-contínuas para produção de fermento de padeiro são efectuadas num fermentador comercial (B. Braun, Alemanha), com capacidade máxima de 5 litros, com camisa de controlo de temperatura, motor de agitação e arejamento. Está, também, equipado com sondas para as chamadas variáveis ambientais ou de cultura (SONNLEITNER et al., 1991): temperatura, pH, tensão de oxigénio, potencial de oxidação-redução, nível, detecção de espuma. Estas variáveis são monitorizadas e controladas localmente através de uma unidade de Medida e Controlo Digital directo (DCU - Digital Control Unit). Cada variável tem associado o seu ciclo de controlo, com parâmetros adequados, passíveis de serem alterados pelo operador ou por um computador de supervisão. O processo de calibração dos eléctrodos é também da sua responsabilidade. Tem também a seu cargo a actuação nos respectivos elementos finais de controlo, nomeadamente nas bombas de adição de ácido e base para controlo de pH, no aquecimento eléctrico da água da camisa de controlo da temperatura, na velocidade de agitação e caudal de arejamento para controlo da oxigenação. A Tabela 3.2 apresenta as acções de controlo programadas no DCU. O sistema de fermentação incorpora ainda uma unidade responsável pelo fornecimento de potência para agitação, para aquecimento da água, e para bombeamento de fluidos; inclui ainda bombas para circulação/adição de fluidos (água da camisa de controlo da temperatura, soluções ácida e alcalina para controlo do pH, agente anti-espuma, ar). 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 66 Tabela 3.2 Tipo de controlo das variáveis ambientais Variável ambiental Acção de controlo* pH PI Tensão de Oxigénio PI Temperatura da cultura PID Temperatura da camisa P * P - Proporcional; I - Integral; D - Derivativa O fornecimento de ar (atmosférico) ao fermentador é efectuado com auxílio de uma bomba de membrana instalada na unidade descrita no parágrafo anterior. Esta bomba tem -1 uma capacidade máxima de fornecimento de 5 L.min de ar para uma pressão relativa de 0.4 bar. O sistema está também preparado para a utilização de ar comprimido. De forma a obter ar limpo de partículas e estéril, este, antes de ser aspirado pela bomba, atravessa dois filtros em série: uma pedra porosa (75 µm) e uma membrana. O caudal mássico de entrada é medido e regulado através de um medidor/controlador de caudal mássico Hi-Tec F201CFB (Bronkhurst, Holanda) do tipo térmico (CASCETTA e VIGO, 1988). À saída do fermentador, o gás atravessa um condensador e em seguida um refrigerador de dupla serpentina do tipo Dimroth, para remoção de condensados. O gás é encaminhado para um espectrómetro de massa através de uma linha constituída por tubagens em aço inox com diâmetro externo igual a ¼” e comprimento aproximado de 4 metros. A Figura 3.1 mostra esquematicamente a instalação experimental utilizada para a fermentação semi-contínua de produção de fermento de padeiro. A Tabela 3.3 apresenta a configuração dos principais equipamentos e respectiva descrição do princípio de funcionamento. I O RS485/422/232 RS232 Sinal em Volts I NTEGRATED WORKSTATION BIOSTAT MD DCU balança 15.5 base Ácido antiespuma água pH, T, Rx, O2 Anti-espuma, nível ar M rpm p filtro bomba per. azoto água 25.5% colector automático de amostras medidor de etanol 08.5 medidor caudal mássico p SEM Faraday Power ON 00145 h Satellite Espectrómetro de Massa filament 1 filament 2 Comms. OK Spectra válvula anti-retorno gás de calibração 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 67 Figura 3.1 Esquema da instalação experimental para a produção de fermento de padeiro condensador Macintosh IIx 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 68 Tabela 3.3 Instalação de fermentação para produção de fermento de padeiro Componente (Modelo/Marca) Descrição Fermentador BIOSTAT MD5 (B. Braun, Alemanha) vaso de cultura em vidro de boro-silicato; capacidade máxima 5 L Agitação veio de agitação com 3 impulsores de 6 lâminas cada; motor com potência de 55 W Sonda de pH (INGOLD, Suiça) eléctrodo combinado de vidro; medição electroquímica Sonda de oxigénio dissolvido (INGOLD, Suiça) tipo polarográfico; mede a pressão parcial (tensão) de oxigénio Sonda de potencial de oxidação-redução (INGOLD, Suiça) eléctrodo de platina Sonda de temperatura Pt-100 Sonda de nível do líquido medição de condutividade eléctrica Sonda de detecção de espuma medição de condutividade eléctrica Sistema de arejamento (alimentação de ar ambiente) bomba de ar com membrana; filtro de 75 µm, medidor/controlador de caudal de ar; rotâmetro; filtro de membrana; anel difusor Tratamento do gás de saída condensador; refrigerador de dupla serpentina do tipo Dimroth Camisa de controlo da temperatura bomba centrífuga para circulação de água; válvula solenóide; resistência eléctrica 600W Controlo anti-espuma bomba peristáltica de velocidade constante; recipiente com silicone; controlo “tudo-nada” Controlo do pH 2 bombas peristálticas de velocidade constante; recipiente com ácido fosfórico; recipiente com amoníaco; controlador “tudo-nada” Unidade de Medida e Controlo Digital DCU (B. Braun) Sistema de microprocessador de VMEbus 16 bit; interface com o operador: consola com teclado e monitor LCD. Sistema de alimentação de substrato: - Bomba 503U (Watson Marlow, RU) - Balança PM4800 (Mettler, Suiça) bomba peristáltica de velocidade variável; balança com duas gamas: 0 - 1.00 Kg, precisão 0.01 g; 1 - 4.0 Kg, precisão 0.1 g 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 69 3.1.1.4 Condições experimentais Os inóculos são preparados com o meio de cultura anteriormente descrito, com préinoculação da estirpe proveniente de tubos inclinados. São incubados num agitador orbital, a 30 °C e 150 r.p.m. durante 16 horas. O inóculo é transferido para o fermentador com auxílio de uma bomba peristáltica. Os valores de referência para o controlo das variáveis ambientais estão indicados na tabela seguinte. Tabela 3.4 Referências para controlo das variáveis ambientais Variável Valor de referência Temperatura 30 °C pH 4.0 Velocidade de agitação 600 r.p.m. Arejamento 3 L.min (PTN) -1 3.1.2 Métodos de análise em linha 3.1.2.1 Análise de gases por espectrometria de massa A aplicação de espectrometria de massa à análise de gases de fermentação tem vindo a revelar-se uma técnica de grande utilidade na quantificação dos componentes duma mistura gasosa (HEINZLE e REUSS, 1987). Esta técnica permite uma análise em linha rápida (≈ 10 s) da composição da mistura gasosa. O desenvolvimento da aplicação de espectrometria de massa à análise de gases de fermentação tem sido tratado, recentemente, em algumas publicações de revisão (HEINZLE, 1987; HEINZLE e DUNN, 1991; HEINZLE, 1992). Configuração do sistema A medição das concentrações dos gases de saída do fermentador foi efectuada através de um espectrómetro de massa BIOQUAD (Ledamass, Inglaterra) do tipo quadripolo, com uma gama de massas de 200 Da (u.m.a.). O aparelho é constituído por um sistema de vácuo, um analisador de gás quadripolo e uma entrada capilar com possibilidade de aquecimento para evitar a condensação do gás. O vácuo é criado com auxílio de duas bombas rotativas e uma bomba turbo-molecular. O analisador é constituído por emissor de 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 70 radiofrequência, fonte de alimentação, amplificador e unidade de controlo (Satellite). O princípio de funcionamento de um sistema quadripolo é baseado na emissão de electrões por um filamento aquecido. Estes vão colidir com as moléculas do gás na região de ionização do analisador, com produção de fragmentos de iões. Através de campos eléctricos criados por um eléctrodo, os iões são direccionados para o filtro de massas, que rejeita a passagem de todos os iões com excepção daqueles que são proporcionais à razão massa-carga. As massas dos iões filtrados são convertidas numa corrente eléctrica que é proporcional à correspondente pressão parcial molecular na fonte. Isto é efectuado através dum detector do tipo taça Faraday em que os iões são direccionados para um elemento em forma de taça sendo medida a própria corrente iónica. O sistema está ainda equipado com um segundo detector do tipo multiplicador de electrões. Este detector permite amplificações muito rápidas mas apresenta a desvantagem de necessitar de um longo período de forma a garantir estabilidade na sensibilidade do aparelho. O aparelho é comandado por um programa informático a correr num computador PC486 compatível, em ambiente Microsoft Windows™ (versão 3.1). O computador comunica, em série, com a unidade de controlo do espectrómetro (Satellite) através de uma ligação assíncrona, via protocolo RS-232C. O programa RGA for Windows (versão 2.0) permite, no essencial, a selecção da válvula de entrada da corrente gasosa, a configuração da leitura (precisão, velocidade de varrimento), a aquisição do espectro e sua representação gráfica (gráfico de barras, analógico, variação ao longo do tempo). As alturas dos picos do espectro são apresentadas proporcionalmente ao valor respectivo da pressão parcial (em torr). Este programa permite a troca de dados com outro programa que esteja a ser executado paralelamente no mesmo computador, através da implementação do protocolo DDE (Dynamic Data Exchange) que constitui um padrão para troca de dados em ambiente Windows. Calibração A calibração do aparelho é efectuada com auxílio de uma mistura de gases de composição conhecida (Tabela 3.5). Essa mistura deverá ser composta pelos gases que se pretendem analisar: oxigénio e dióxido de carbono, gases comuns em fermentações aeróbias, e azoto que pode ser visto como gás inerte, mas cuja medição é necessária para 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 71 inferir o caudal de gás de saída do fermentador (ver eq. (4.27)). Tabela 3.5 Composição da mistura de gases de calibração do espectrómetro de massa Componente Composição (% volúmica ou molar) Azoto 70.04 Oxigénio 19.95 Dióxido de carbono 10.01 A mistura está contida numa garrafa pressurizada de aço (Union Carbide, Espanha), equipada com um sistema manual de regulação da pressão de escoamento. A mistura é encaminhada para o espectrómetro por um tubo em aço inox com diâmetro igual a ¼” e comprimento aproximado igual a 1.5 m. O gás entra num dos 16 canais disponíveis no espectrómetro. De forma a garantir condições semelhantes para a fase de calibração e a fase de análise, essencial para se obter uma resposta linear por parte do aparelho (DRINKWINE e LICHTMAN, 1973), os caudais e pressões da mistura de calibração e dos gases de fermentação foram regulados manualmente de forma a minimizar as diferenças entre eles. Com essa finalidade, introduziu-se uma válvula de agulha (Nupro, EUA) na linha que vai desde a válvula de admissão no espectrómetro até à entrada capilar e um medidor de caudal mássico Hi-Tec F-111C-HA (Bronkhurst, Holanda). Análise O gás de saída do fermentador, após desumidificação é introduzido no espectrómetro por uma das 16 entradas existentes na parte traseira do aparelho. Cada entrada tem associada uma válvula, cuja selecção é efectuada pelo programa informático descrito. Este permite configurar o tempo de purga e o tempo de transição na escolha de uma nova válvula de entrada de gás. Através da válvula de agulha anteriormente descrita ajusta-se o caudal de gás à entrada do tubo capilar. Análise Quantitativa O espectrómetro de massa gera espectros de massa que são indicativos dos componentes presentes na amostra e que permitem a sua quantificação. Cada componente, quando puro, possui o seu próprio e único espectro de massas, que é constituído por vários picos de massa, conforme o seu padrão de fragmentação resultante da passagem no 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 72 analisador. A suposição básica normalmente efectuada na análise quantitativa dos espectros é a seguinte: num espectro de massas de uma mistura de gases, cada pico é constituído por contribuições de iões moleculares e/ou fragmentos iónicos; as contribuições são adicionadas linearmente e a altura do pico é igual à soma das alturas dos picos individuais que seriam produzidos se cada espécie estivesse sozinha no sistema. Esta suposição é traduzida na seguinte equação: Si = ∑ Sij (3.1) j Si é a intensidade (ou altura) total do pico ou sinal; Sij é a contribuição do componente j para a intensidade do pico da massa i. Assim, torna necessário corrigir-se as interferências entre os diversos componentes presentes numa mistura. Isso é efectuado através de um método referido como desacoplamento ou desconvolução (BARTMAN, 1987; LEE, 1990). Os sinais desacoplados, específicos para cada componente, são determinados como se segue: -1 P=R S (3.2) em que P representa o vector dos sinais desacoplados, S é o vector dos sinais gerados -1 pelo espectrómetro (=[Si]) e R é a matriz de desconvolução, obtida por inversão da chamada matriz de fragmentação, que se apresenta no seguimento. Para fermentações aeróbias é suficiente a monitorização da composição da mistura gasosa nos componentes oxigénio, dióxido de carbono e azoto. Na Figura 3.2 estão representados os espectros de massas para cada um destes componentes quando analisados isoladamente. Os sinais gerados para as massas 28, 32 e 44 (intensidades relativas de 100%) são usados para quantificar o azoto, oxigénio e dióxido de carbono, respectivamente. Estes picos são denominados de picos-base. A matriz de fragmentação, R, tem a forma que se segue, com as linhas a representar os picos-base (28, 32 e 44) e as colunas com as fragmentações de cada componente nesses picos-base: 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 73 100 100 a) Oxigénio b) Dióxido de Carbono 100 60 40 20 100 80 Intensidade relativa Intensidade relativa 80 11 60 40 20 7 0 9 8 0 0 10 20 30 Massa (u.m.a.) 40 0 10 20 30 Massa (u.m.a.) 40 50 100 c) Azoto 100 Intensidade relativa 80 60 40 20 5 1 0 0 10 20 30 40 50 Massa (u.m.a) Figura 3.2 Espectro de massas para os componentes puros ⎡ r28N2 ⎢ R ≡ ⎢ r32N2 ⎢ r44N2 ⎣ r28O2 r32O2 O2 44 r r28CO2 ⎤ 8 ⎤ ⎡100 0 1 ⎥ ⎢ ⎥ r32CO2 ⎥ = ⎢ 0 100 0 ⎥ 100 ⎢⎣ 0 0 100 ⎥⎦ r44CO2 ⎥⎦ (3.3) A matriz de desconvolução é, deste modo, igual a ⎡1 0 −0.08⎤ R = ⎢⎢0 1 0 ⎥⎥ ⎢⎣0 0 1 ⎥⎦ −1 (3.4) Neste caso, a presença de vários elementos nulos na matriz de desconvolução permite determinar facilmente os sinais desacoplados, através das seguintes equações: pN2 = s28 – 0.08s44 (3.5) pO2 = s32 (3.6) pCO2 = s44 (3.7) 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 74 As fracções molares de cada componente, yi são determinadas, finalmente, por divisão de cada elemento do vector P pela soma dos elementos desse vector e multiplicação pelo correspondente factor de calibração: y= C×P 3 ∑p i =1 (3.8) i em que C é a matriz (diagonal) de calibração, determinada através do espectro de massas da mistura de gases de calibração (Tabela 3.1). Várias sessões de operação do espectrómetro permitiram a obtenção dos seguintes valores médios para os factores de calibração: C = diag{0.957, 1.27, 0.895} (3.9) respectivamente 0.957 para o azoto, 1.27 para o oxigénio e 0.895 para o dióxido de carbono. 3.1.2.2 Análise da concentração de etanol dissolvido A monitorização de gases dissolvidos e componentes voláteis em processos de fermentação é, normalmente, efectuada pelo princípio de diálise, através da utilização de uma membrana permeável (LORENZ et al., 1987). Para a análise da concentração de etanol dissolvido utilizou-se um aparelho MGS-5 (Bionova Instruments, Huddinge, Suécia) constituído no essencial por (MANDENIUS et al., 1983; AXELSSON et al., 1988): compartimento de diluição, detector de gás, válvulas de precisão, medidores de caudal e uma sonda colocada numa das portas do fermentador. A sonda, autoclavável, contém uma membrana tubular hidrofóbica de silicone permeável ao etanol volátil. Utiliza-se azoto como gás de arrasto (e de diluição) à pressão relativa de 5 bar e caudal de 20 mL.min-1, de forma a manter um gradiente de concentração em etanol através da membrana. A mistura é conduzida através de um tubo de nylon até ao detector de gás do tipo Taguchi (TGS 822, Figaro Eng. Inc., Japão) constituído por um cilindro aquecido a 250 °C de um semicondutor poli-cristalino de óxido de estanho (SnO2). A amostra antes de atingir o detector é termoestatizada. Na superfície do detector há doação de electrões da molécula de etanol para a molécula do óxido de estanho, resultando num aumento da condutividade eléctrica do semicondutor. O sinal eléctrico produzido é 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 75 proporcional à concentração de etanol no meio de fermentação. O tempo de resposta do aparelho é cerca de 6 minutos (atraso de transporte: 2 minutos; constante de tempo: 2 minutos). Apresenta uma gama de sensibilidade entre 50 e -1 50000 mg.L de etanol e uma precisão igual a ± 3%. Em cada sessão de fermentação efectuam-se calibrações, utilizando uma solução padrão de etanol (Merck). 3.1.3 Análises em diferido As amostras para análise em diferido são retiradas manualmente, em condições estéreis, através de uma porta ad hoc do fermentador. Alternativamente, está disponível um colector automático de amostras MX3 Biosampler (New Brunswick Scientific, Edison NJ, EUA) que permite a recolha de 12 amostras a tempos programados, através de uma linha de bombeamento contínuo do meio de cultura do fermentador, até à cabeça do colector onde existe um sistema de válvulas que encaminha o meio para o frasco respectivo. Quando não há amostragem, o meio é reciclado ao fermentador. Os frascos são refrigerados a -4 °C pela passagem de um fluido criogénico (água com anticongelante) bombeado de uma máquina de frio. A cabeça do colector, juntamente com os 12 frascos e tubagens, é esterilizada em autoclave durante 20 minutos à temperatura de 121°C. 3.1.3.1 Determinação da concentração de glucose A concentração de glucose é determinada por Cromatografia Líquida de Alta Resolução (HPLC), usando um detector de índice de refracção. A amostra (20 µL) é injectada numa coluna Polyspher CH CA (Merck, Darmstadt, Alemanha), aquecida a 85 °C através de um forno e controlador de temperatura (Chrompack, Middelburg, Holanda) e eluída com água ultra-pura filtrada e desgaseificada por ultra-sons. O caudal da fase móvel é de 0.5 mL/min, valor estabelecido através de uma bomba 880-PU (Jasco, Tóquio, Japão). O -5 detector 830-RI (Jasco) é configurado para uma gama sensibilidade igual a 10 unidades de índice de refracção. Determinaram-se previamente as curvas de calibração com soluções padrão de glucose (Merck). 3.1.3.2 Determinação da concentração de biomassa Uma medida equivalente da concentração de biomassa é determinada por leitura da 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 76 densidade óptica num espectrofotómetro modelo 7850 (Jasco) e respectiva correlação com o peso seco. A leitura da densidade óptica é efectuada ao comprimento de onda de 620 nm contra um branco de água. Poderá haver necessidade de a amostra ser diluída para adequar a medição à gama linear de absorvância (0 a ≈1.0 unidades de absorvância). A curva de calibração de densidade óptica versus peso seco é determinada por leitura da densidade óptica de suspensões obtidas por diluição de uma suspensão de células de concentração em peso seco conhecida e densidade óptica próxima de 1.0. A determinação da concentração em peso seco da suspensão inicial é efectuada gravimetricamente do seguinte modo: 50 mL da suspensão inicial são filtrados através de um filtro com tamanho de poro de 0.45 µm; após secagem numa estufa a 105 °C durante 24 horas (peso constante) é efectuada a pesagem do filtro em balança analítica; o peso seco da biomassa obtém-se por diferença entre este valor e o peso inicial do filtro após submissão a idêntico procedimento de secagem. 3.1.4 Sistema informático O sistema de aquisição de dados para monitorização e controlo da produção de fermento de padeiro (OLIVEIRA et al., 1994; OLIVEIRA, 1995) engloba as seguintes funções tipo: aquisição de dados, interpretação de dados, controlo do processo. Sob a designação de aquisição de dados consideram-se as funções de entrada de dados em linha e em diferido, aplicação de filtros, análise dos dados e armazenamento dos mesmos em ficheiro, monitorização da fermentação, em gráfico e/ou tabela, análise de históricos, registo de alarmes de erro, entre outros. Por interpretação de dados entende-se o conjunto de metodologias que, no essencial, têm como objectivos a observação do estado e a estimação das cinéticas. Em paralelo, permite-se a execução em tempo-real (e contínua validação) do simulador matemático representativo do processo. No terceiro nível de funções encontram-se os módulos de controlo, em que devem estar incluídas as técnicas clássicas (PID), as estratégias avançadas de controlo baseadas em modelos (estratégias de controlo adaptativo e preditivo). Outras funções, particularmente controlo de supervisão, devem ser acomodadas através da comunicação do sistema informático com outros meios computacionais. 3.1 PRODUÇÃO DE FERMENTO DE PADEIRO 77 O programa de monitorização e controlo apresentado corre num computador PC486 compatível; foi desenvolvido em ambiente Microsoft Windows, usando como linguagem de programação o Microsoft Visual Basic 3.0 (versão profissional). É uma linguagem com estrutura modular baseada em acontecimentos e caracterizada por objectos. Possui diversas funções predefinidas que permitem elaborar, com um esforço moderado, programas de fácil interacção com o operador. Na Tabela 3.6 apresentam-se as interfaces instaladas no computador para aquisição e comunicação de dados. A placa PCL744 contém oito portas de comunicação RS232, seleccionadas por programa. A unidade de controlo do fermentador, DCU, espectrómetro de massa, balança e colector automático de amostras comunicam com o computador via portas série RS232. O medidor de caudal mássico e o medidor de etanol enviam um sinal 0-5 V, via conversores analógico-digital. O funcionamento e a velocidade da bomba peristáltica são impostos, respectivamente, através de um sinal digital e de um sinal analógico. A placa de rede Ethernet tem em vista a ligação futura a um computador central de supervisão. Tabela 3.6 Interfaces de aquisição e comunicação de dados Placa Marca Modelo 8 portas série RS-232C Advantech, Taiwan PCL744 8 An_Inp, 2 An_Out, 16 DIO Advantech, Taiwan PCL718 2 portas série (COM1 e COM2) ------ ------ Rede Ethernet Hewlett-Packard, EUA EtherTwist A configuração do equipamento consiste, no essencial, na identificação completa dos periféricos utilizados, caracterizando todos os canais de comunicação de cada interface (e.g. parâmetros do protocolo série; resolução e gamas dos canais A/D e D/A). A configuração das variáveis abrange um número diverso de parâmetros, dependendo do tipo de variável (medidas, calculadas internamente ou de controlo). Refere-se, particularmente i. o nome; ii. o tipo; iii. a gama de trabalho; iv. níveis de alarmes; v. calibração sinal/propriedade; vi. especificação de visualização por traçado gráfico; vii. tipo de fórmula de cálculo nas variáveis internas. Os procedimentos desenvolvidos para cada uma das tarefas que constituem a essência da aplicação informática (observadores, algoritmos de controlo, simuladores) têm vindo a ser incorporados de uma forma modular, e em articulação com os módulos utilitários 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 78 (visualização em tabela e/ou gráfica, armazenamento em disco, impressão, entre outros). 3.2 Fermentação etanólica A instalação experimental de fermentação etanólica (RENARD, 1990) esteve em funcionamento no Departamento de Engenharia Biológica (GEBI), da Université Catholique de Louvain (UCL), em Louvain-la-Neuve, Bélgica. A fermentação etanólica decorreu em ambiente anaeróbio e condições não estéreis, utilizando-se um consórcio de leveduras (população dominante) e bactérias. O substrato principal foi a glucose, usando-se o ácido cítrico como co-substrato e tendo em vista a estabilização da fermentação nas condições não estéreis. 3.2.1 Fermentação 3.2.1.1 Inóculo Diluem-se 10 mL de sumo de laranja concentrado (Jaffa, Israel) em 1 litro de água destilada. O pH correspondente (3.3) é ajustado a 3.6 por adição de 1.5 mL de NaOH 1N. Esta solução é fermentada num reactor anaeróbio em condições não estéreis, à temperatura de 35 °C e com agitação (200 r.p.m.). Ao fim de 2 dias as células de levedura são retiradas e introduzidas num segundo reactor anaeróbio de 3 L de volume útil. A segunda fermentação decorre durante 1 dia, num meio de cultura idêntico ao da fermentação etanólica (descrito em 3.2.1.2), em condições estéreis, em condições de temperatura e agitação idênticas às do primeiro reactor. 3.2.1.2 Meio de cultura O meio de cultura semi-sintético (RENARD, 1990) utilizado está indicado na Tabela 3.7. O meio é preparado em recipiente apropriado, com água potável e o pH é ajustado a 3.6 com NaOH. Este meio é esterilizado em autoclave durante 20 minutos à temperatura de 121°C. 3.2 FERMENTAÇÃO ETANÓLICA 79 Tabela 3.7 Composição do meio de cultura para a fermentação etanólica -1 Composto Concentração (g.L ) D(+)-Glucose 9.0 Ácido cítrico 1.0 Ureia 0.30 Extracto de levedura 0.10 -1 Adiciona-se ainda 12.5 mL.L de uma solução mineral com a seguinte composição (em -1 mg.L ): NaH2PO4.2H20, 846; KCl, 404; MgCl2, 64.5; Na2SO4, 385; CaCl2, 6; Na2MoO4, 1; oligo-elementos (HCl, ZnO, FeCl3.6H2O, MnCl2.4H2O, CuCl2.2H2O, H3BO3, CoCl2.6H2O). 3.2.1.3 Reactor A instalação experimental constava de um reactor cilíndrico de vidro (Corning, Stone, Inglaterra), apresentando um volume útil de 60 litros, com temperatura controlada a 35 °C através de uma cinta aquecida electricamente. O reactor é agitado através de um veio de com dois impulsores de hélice dupla, accionado por um motor. O licor misto do fundo do -1 reactor é recirculado para o topo do reactor (caudal igual a 10 L.h ) através de uma bomba de membrana B04.017N (CfG Prominent, Heidelberg, Alemanha). Outros detalhes da constituição do reactor poderão ser encontrados em RENARD (1990). 6 As experiências iniciavam-se com 35 litros de meio de cultura e um inóculo com 10 células/mL. A fermentação decorria em modo descontínuo, com excepção dos momentos de adição de açúcar (8 litros de solução) após detecção do seu consumo total. A concentração dessa solução era calculada para que o volume total de meio, após a adição -1 atingisse uma concentração de 50 mmole.L . A solução contém também ureia de forma a manter a razão azoto/carbono constante no início de cada período descontínuo. Pode considerar-se que durante o período de amostragem coincidente com alimentação a fermentação decorre em modo semi-contínuo. Cada experiência de fermentação tinha uma duração entre 45 a 60 horas. As diferentes medidas em linha eram registadas em intervalos de 5 minutos e as medições em diferido resultavam de amostras recolhidas em cada 2 horas. 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 80 3.2.2 Métodos de análise em linha 3.2.2.1 Determinação da concentração de dióxido de carbono em fase gasosa A medição da concentração de dióxido de carbono na fase gasosa é efectuada através de um analisador de gás ULTRAMAT 1 (Siemens, Karlsruhe, Alemanha) por espectroscopia de absorção de infravermelho. Esta técnica consiste na medição da diminuição da intensidade de um raio electromagnético, devida à absorção da radiação pelas moléculas do composto que se pretende analisar (PONS, 1992). A medição da diminuição permite a determinação da concentração do gás na mistura gasosa, através da lei de LAMBERT-BEER: I log(I )=a L c o (3.10) em que Io é a intensidade de referência, I a intensidade medida, L comprimento da célula de medida, a coeficiente de absorção do componente e c é a concentração. 3.2.2.2 Determinação da “concentração” de biomassa A “concentração” de biomassa é inferida em linha através de um turbidimetro RATIO 2000 (Hach, Loveland, EUA) que origina um sinal proporcional à matéria em suspensão. A turbidez é a expressão de uma propriedade óptica que origina uma dispersão e absorção da luz em vez da sua transmissão em linhas rectas através da amostra (CLESCERI et al., 1989). A turbidimetria, que é uma variação do método nefelométrico, consiste na medição da quantidade de luz dispersa a 90° pela incidência de um feixe luminoso nas partículas em suspensão no líquido. A luz desviada é proporcional à concentração de partículas em suspensão e é medida por um fotodetector electrónico. O aparelho apresenta uma gama linear de 0 a 2000 NTU (Nephelometric Turbidity -1 Unit). 1 NTU é igual à turbidez, medida por um nefelómetro, causada por 1 mg.L de sílica em suspensão. O turbidimetro é calibrado com soluções preparadas a partir de um padrão primário de formazina, que apresenta um valor de 4000 NTU. 3.2.2.3 Caudal volumétrico de gás O caudal volumétrico de gás é medido com um contador volumétrico de gás (Contigea Schlumberger, Dordrecht, Holanda) com totalizador mecânico. No eixo central da agulha do contador instalou-se um codificador óptico (foto-diodo emissor) incremental que 3.2 FERMENTAÇÃO ETANÓLICA 81 permite o envio de um sinal eléctrico. A cada rotação da agulha obtém-se um impulso, que é enviado ao computador e registado. Em RENARD (1990) encontra-se uma descrição pormenorizada da constituição do codificador óptico. A resolução do aparelho é de 0.01 L. 3.2.3 Análises em diferido 3.2.3.1 Determinação da concentração de glucose A concentração de glucose é determinada pelo método de doseamento de açúcares solúveis com fenol que se baseia no seguinte princípio (DUBOIS et al., 1956): após a reacção a quente com solução fenólica 80% (p/p) em ácido sulfúrico concentrado, a solução de glucose apresenta uma coloração laranja intensa. A leitura da absorvância da solução a 485 nm num colorímetro Sequoia 330 (Turner) permite inferir a concentração de glucose através de uma curva de calibração anteriormente determinada com soluções de diferentes -1 concentrações obtidas de uma solução mãe de d-glucose mono-hidratada a 1 g.L . 3.2.3.2 Determinação da concentração de etanol A concentração de etanol dissolvido é determinada por cromatografia gasosa. A amostra (5µL) convenientemente preparada (RENARD, 1990) é injectada num cromatógrafo IGC 120 DFB (Intersmat Instruments, Chelles les Coudraux, França) equipado com detector de ionização de chama e coluna em vidro (2m×3mm) com enchimento de Porapack Q (80-100 mesh). As integrações são efectuadas num integrador ICR-1 (Intersmat). 3.2.4 Sistema informático O sistema de aquisição de dados e controlo por computador foi realizado pelo LADAS Laboratoire d’Automatique et Dynamique et Analyse des Systèmes da UCL. Foram projectadas e construídas interfaces ad hoc para lidar com sinais analógicos e digitais. Uma unidade de processamento em tempo real é responsável pelo tratamento local dos dados. Esta unidade está ligada a um PC compatível para processamento da informação em tempo diferido. As características das interfaces, dos vários sinais eléctricos, do processador em tempo real e do PC estão referidas em pormenor em RENARD (1990). 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 82 3.3 Síntese enzimática de ampicilina A instalação experimental para a síntese enzimática de ampicilina esteve em funcionamento no Grupo de Biotecnologia do Departamento de Tecnologia e Indústria Química (DTIQ) do Laboratório Nacional de Engenharia e Tecnologia Industrial (LNETI), em Queluz de Baixo. 3.3.1 Reacção bioquímica 3.3.1.1 Enzima e reagentes principais A enzima utilizada, Penicilina acilase (E.C. 3.5.1.11 de Escherichia coli) foi fornecida pela CIPAN - Companhia Portuguesa de Antibióticos SA, Carregado, nas formas solúvel e imobilizada em glutaraldeído. Esta companhia forneceu também ampicilina, ácido 6aminopenicilânico e d-fenilglicina. A metifenilglicina foi utilizada na forma MFG.HCl (Wako Pure Chemical Industries, Japão). 3.3.1.2 Reactor O sistema reaccional (Figura 3.3) decorreu num reactor “perfeitamente agitado” de 50 -1 mL de volume útil com a enzima Penicilina acilase dissolvida (actividade 19.4 UI.mL ), à temperatura de 37 °C e pH igual a 6.5 corrigido com hidróxido de sódio 4 M. Os dois substratos são dissolvidos em tampão fosfato 0.1 M (pH 6.5). As concentrações iniciais são -1 40 mmole.L para o ácido 6-aminopenicilânico e 100 mM para MFG.HCl. Antes da adição da enzima é retirada uma amostra. 4 5 1 - Reactor (a) Ligação ao banho 2 - Placa de agitação magnética 3 - Banho Termostatizado 4 - Eléctrodo de pH 5 - Termopar 1 (a) 2 3 Figura 3.3 Sistema reaccional para a síntese enzimática de ampicilina 3.4 BIBLIOGRAFIA 83 A operação do reactor decorre pela adição contínua dos dois substratos, impondo-se um novo caudal a cada 90 minutos de reacção. Adiciona-se também hidróxido de sódio para manutenção do pH a 6.5. 3.3.2 Métodos de análise Utilizou-se a técnica de Cromatografia Líquida de Alta Resolução (HPLC) para a determinação das concentrações de fenilglicina, ácido 6-amino-penicilânico, ampicilina e metilfenilglicina. Para quantificação da ampicilina recorreu-se auxiliarmente a uma técnica espectrofotométrica. 3.3.2.1 Determinação das concentrações de metilfenilglicina, ácido 6-aminopenicilânico e fenilglicina As amostras diluídas (1:4) em tampão fosfato foram injectadas num cromatógrafo LDC (Milton Roy, Rochester NY, EUA) e analisadas usando uma coluna Lichrospher (Merck) 100 RP-8 (5 µm) eluída com uma mistura de uma solução de metanol a 5% (v/v) em tampão fosfato 0.1 M (pH 6.5) e uma solução de metanol a 100%. A mistura é feita gradualmente durante 5 minutos até 33% da solução de metanol. O caudal estabelecido é -1 de 1.5 mL.min . A detecção é feita espectrofotometricamente a um comprimento de onda de 254 nm. Previamente, determinaram-se as curvas de calibração com compostos padrão. 3.3.2.2 Determinação da concentração de ampicilina A concentração de ampicilina foi determinada por dois métodos alternativos. Usou-se preferencialmente a técnica de HPLC anteriormente descrita. Como alternativa empregouse um método espetrofotométrico. Este tem como princípio a formação de um composto (ácido α-benzamidobenzilpenicilânico) resultante da sua degradação ácida (pH=5.2) com cloreto de mercúrio, a 75 °C (SMITH et al., 1967). Utilizou-se um espectrofotómetro Spectronic 601, para a medição da absorvância a um comprimento de onda de 320 nm. 3.4 Bibliografia AXELSSON, J.P., MANDENIUS, C.F., HOLST, O., HAGANDER, P., MATTIASSON, B. Experience in using an Ethanol Sensor to Control Molasses Feed-rates in Baker’s Yeast Production. Bioprocess Eng., 3, 1-9, 1988. 3. DESCRIÇÃO EXPERIMENTAL - MATERIAIS E MÉTODOS 84 BARTMAN, C.D. The Application of a Quadrupole Mass Spectrometer to Biotechnology Process Control. Mass Spectrometry in Biotechnological Process Analysis and Control, (E. HEINZLE, M. REUSS, Eds.), Plenum Press, New York, 49-61, 1987. CASCETTA, F., VIGO, P. Flowmeters A Comprehensive Survey and Guide to Selection, Instrument Society of America, North Carolina, 1988. CLESCERI, L.S., GREENBERG, A.E., TRUSSELL, R.R.(Eds.) Standard Methods for the Examination of Water and Wastewater, 17ª ed., American Public Health Association, Washington DC, 1989. DRINKWINE, M.J., LICHTMAN, D. Partial Pressure Analysers and Analysis, American Vacuum Society, 1973. DUBOIS, M., GILLES, K.A., HAMILTON, J.K., REBERS, P.A., SMITH, F. Colorimetric Method for Determination of Sugars and Related Substances. Anal. Chem., 28:3, 350-356, 1956. FIECHTER, A., SEGHEZZI, W. Regulation of Glucose Metabolism in Growing Yeast Cells. J. Biotechnol., 27, 27-45, 1992. HEINZLE, E. Mass Spectrometry for On-line Monitoring of Biotechnological Processes. Advances in Biochemical Engineering/Biotechnology, Vol. 35: Biotechnology Methods, (A. FIECHTER, Ed.), Springer-Verlag, Berlin, 1-45, 1987. HEINZLE, E. Present and Potential Applications of Mass Spectrometry for Bioprocess Research and Control, J. Biotechnology (Special Issue: High-Tech Analyses in Modern Biotechnology), 25:1/2, 81-114, 1992. HEINZLE, E., DUNN, I.J., Methods and Instruments in Fermentation Gas Analysis. Biotechnology A MultiVolume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap.2, 27-74, 1991. HEINZLE, E., REUSS, M. Mass Spectrometry in Biotechnological Process Analysis and Control, Plenum Press, New York, 1987. LEE, K.-S. Feedback Optimization of Fed-batch Baker’s Yeast Fermentation. Dissertação de Doutoramento, Purdue University, EUA, 1990. LOCHER, G., HAHNEMANN, U., SONNLEITNER, B., FIECHTER, A. Automatic Bioprocess Control. 4. A Prototype Batch of Saccharomyces cerevisiae. J. Biotechnol., 29, 57-74, 1993. LORENZ, T., SCHMIDT, W., SCHÜGERL, K. Sampling Devices in Fermentation Technology: A Review. Chem. Eng. J., 35, B15-B22, 1987. MANDENIUS, C.F., HOLST, O., MATTIASSON, B. Monitoring of Ethanol in Production of Baker’s Yeast using an Improved Membrane Gas Sensor. Acta Chem. Scand., Ser. B., 37, 746-748, 1983. MÜNCH, T., SONNLEITNER, B., FIECHTER, A. New Insights into the Synchronization Mechanism with Forced Synchronous Cultures of Saccharomyces cerevisiae. J. Biotechnol., 24, 299-314, 1992b. MÜNCH, T., SONNLEITNER, B., FIECHTER, A. The Decisive Role of the Saccharomyces cerevisiae Cell Cycle Behaviour for Dynamic Growth Characterization. J. Biotechnol., 22, 329-352, 1992a. OLIVEIRA, F. Dissertação de Doutoramento. Faculdade de Engenharia da Universidade do Porto, Em preparação, 1995. OLIVEIRA, F., FERREIRA, E.C., FEYO DE AZEVEDO, S. Requisitos e Realização de uma Instalação Experimental para Estudos de Modelação e Controlo em Processos de Fermentação, 1º Encontro Nacional de Controlo Automático - CONTROLO’94, Vol. II, 71-76, Lisboa, 1994. PONS, M.-N. Physical and Chemical Sensors - Actuators, Bioprocess Monitoring and Control (PONS, M.-N., Ed.), Carl Hanser Verlag, Munique, 1992 RENARD, P. Vérification Expérimentale de l’Application de la Théorie de l’Estimation et du Contrôle Adaptatif à des Systèmes Biologiques Non Linéaires. Dissertação de Doutoramento, Université Catholique de Louvain, Louvain-la-Neuve, Bélgica, 1990. RIEGER, M., KÄPELLI, O., FIECHTER, A. The Role of Limited Respiration in the Incomplete Oxidation of Glucose by Saccharomyces cerevisiae. J. Gen. Microbiol., 129, 653-661, 1983. SMITH, J.W.G., GREY, G.E., PATEL, V.J. The Spectrophotometric Determination of Ampicillin. Analyst, 92, 247-252, 1967. 3.4 BIBLIOGRAFIA 85 SONNLEITNER, B., KÄPELLI, O. Growth of Saccharomyces cerevisiae is Controlled by its Limited Respiratory Capacity: Formulation and Verification of a Hypothesis. Biotechnol. Bioeng., 28, 927-937, 1986. SONNLEITNER, B., LOCHER, G., FIECHTER, A. Automatic Bioprocess Control. 1. A General Concept. J. Biotechnol., 19, 1-18, 1991. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA EUGÉNIO C. FERREIRA FEUP 1995 4. Modelação Matemática Dinâmica de Processos “What goes on in the modeller’s head is not purely formalizable, either in abstract terms or in taxonomic views. It has structure, it has technique that can be taught and learned, but involves also a personal touch, not only in trivialities but in deeper considerations of skill and suitability.” R. ARIS e M. PENN (1980) Sumário Neste capítulo são estabelecidos os modelos matemáticos de espaço de estados para os três processos em estudo. Para o fermento de padeiro propõem-se um modelo global a três reacções e modelos parciais com melhor adequação às vias metabólicas. Começa por se fazer uma breve introdução às diferentes classes de modelos matemáticos. É apresentado o modelo geral para a dinâmica de reactores biológicos, cuja estrutura matricial será usada ao longo da tese. Dá-se particular ênfase à modelação da fase gasosa e à dinâmica de gases dissolvidos. 4.1 INTRODUÇÃO 4.2 CLASSES DE MODELOS MATEMÁTICOS 4.3 MODELO DINÂMICO DE REACTORES BIOLÓGICOS 4.4 DINÂMICA DA FASE GASOSA 4.5 DINÂMICA DE GASES DISSOLVIDOS 4.6 MODELO MATEMÁTICO PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 4.7 MODELO MATEMÁTICO PARA A FERMENTAÇÃO ETANÓLICA 4.8 MODELO MATEMÁTICO PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 4.9 SÍNTESE 4.10 BIBLIOGRAFIA 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 88 4.1 Introdução Os modelos matemáticos desempenham um papel importante na síntese e projecto de sistemas de controlo. Podem ser usados para a simulação do processo, com ou sem sistema de controlo. Podem servir para estudar e melhorar o desempenho de um processo. Os modelos constituem uma ferramenta de enorme utilidade na selecção de estratégias de controlo, especialmente na sintonização de controladores. O modelo de um processo tornase mesmo uma peça essencial no cálculo da lei de controlo de um controlador adaptativo baseado em modelos. 4.2 Classes de modelos matemáticos Existem vários tipos de abordagens à questão da modelação nas ciências naturais. ROELS e KOSSEN (1978) apresentam uma perspectiva sobre os vários tipos de abordagens à modelação dos processos microbianos em biotecnologia. Entre outras contribuições de revisão devem incluir-se os artigos de FREDRICKSON e TSUCHIYA (1977), SHULER (1985), BELLGARDT (1991). Os vários tipos de modelos são normalmente distinguidos em termos de classes. A classificação que se segue, sem pretender ser exaustiva, é efectuada com recurso à exemplificação da modelação do crescimento microbiano. Um modelo verbal faz uma descrição qualitativa do processo biológico e é normalmente usado na comunicação entre cientistas da área da microbiologia e cientistas de outras disciplinas. Num modelo descritivo utiliza-se um ajuste numérico de dados experimentais para fins interpolativos. Deve ser usado somente dentro da região onde o modelo foi testado experimentalmente. Este tipo de modelo é muitas vezes referido como modelo caixa negra. Um modelo preditivo (ou explanatório) tem como finalidade a extrapolação de dados. Este tipo de modelo também é designado por modelo caixa cinzenta. Os modelos não estruturados constituem uma classe de modelos sem preocupação de descrição da estrutura da população a modelar. No caso duma população microbiana, nada 4.2 CLASSES DE MODELOS MATEMÁTICOS 89 é dito acerca da composição ou qualidade da biomassa. O crescimento é expresso unicamente como sendo o aumento de biomassa. As células são indestrinçáveis umas das outras, sendo vistas como caixas negras no que se refere aos processos fisiológico e metabólico. Este tipo de modelos é usado, normalmente, na descrição de fenómenos de crescimento, em que num dado intervalo de tempo, todas as propriedades extensivas aumentem do mesmo factor - crescimento balanceado. TAKAMATSU et al. (1981) apresentam uma comparação de 23 modelos não estruturados para o crescimento microbiano. Se o crescimento ocorre num ambiente não balanceado, caso da maioria das situações extra laboratoriais, então o modelo a usar deve descrever a alteração na estrutura do microrganismo em resposta a alterações nas condições ambientais - modelo estruturado. Há uma preocupação, neste tipo de modelo, para considerar a composição/qualidade da biomassa e os seus estados fisiológicos. É de referir o pioneirismo de FREDRICKSON (1976) com uma das primeiras propostas de aplicação de modelos estruturados à modelação do crescimento microbiano. HARDER e ROELS (1982) apresentam um artigo de revisão sobre a aplicação de modelos estruturados em biotecnologia. O livro de ROELS (1983) constitui uma referência importante sobre modelação estruturada e não estruturada para sistemas microbianos e enzimáticos. Recentemente, NIELSEN e VILLADSEN (1992) fizeram um artigo de revisão de cinética de crescimento microbiano. Designa-se por modelo distribuído o modelo em que o termo biomassa é utilizado com o sentido de quantidade média (distribuída) em todo o reactor biológico. A referência a um modelo segregado considera a natureza celular da vida microbiana (RAMKRISHNA, 1994; RANTA, 1983). Um modelo determinístico tem um significado de ausência de incerteza, possibilitando reconstituir o comportamento passado e prever o comportamento futuro duma propriedade, conhecidos que sejam os parâmetros do modelo e o estado actual. Num modelo estocástico considera-se a incerteza, atribuindo a um acontecimento uma dada probabilidade de ocorrência. Um exemplo de aplicação desta abordagem à modelação do crescimento microbiano pode ser encontrado no trabalho de TAN et al. (1994). Um fenómeno que decorra continuamente no tempo deverá ser tratado matematicamente recorrendo a modelos contínuos. Esta abordagem é válida no caso do 4 crescimento microbiano se estiverem presentes muitos microrganismos (>10 ) crescendo de um modo não sincronizado. Numa cultura síncrona e/ou no caso de um número pequeno 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 90 4 de microrganismos (<10 ), os fenómenos não acontecerão continuamente no tempo. Nestas situações deverá usar-se um modelo discreto. A modelação de um processo com gradientes espaciais de concentração (ISAACS et al., 1987; DOCHAIN, 1994), ou outra propriedade, é efectuada com recurso aos chamados modelos de parâmetros distribuídos (não deve ser confundido com modelo distribuído). Na situação de inexistência de variações espaciais, fala-se de modelos de parâmetros concentrados Desenvolvimentos recentes na área de modelação de processos biotecnológicos apontam caminhos em direcção à utilização de sistemas periciais. Os modelos baseados em sistemas periciais incorporam equações matemáticas para as relações quantitativas e relações qualitativas (regras) baseadas em conhecimento (MAVROVOUNIOTIS et al., 1989; ZHANG et al., 1994). É de salientar que um dado modelo pode pertencer a mais de uma classe. Assim, por exemplo (YUAN e BELLGARDT, 1992), um modelo matemático pode ser não verbal, preditivo, caixa cinzenta, estruturado, segregado, determinístico e contínuo no tempo. A Tabela 4.1 evidencia o contraste entre os pares de modelos matemáticos. Tabela 4.1 Pares de grupos de modelos matemáticos Determinístico Estocástico Não Estruturado Estruturado Distribuído Segregado Descritivo Preditivo Caixa Negra Caixa Cinzenta Contínuo no tempo Discreto no tempo Parâmetros concentrados Parâmetros distribuídos Como se verificou, podem considerar-se vários tipos de modelos para a representação matemática de processos de fermentação. Os modelos de fermentação matematicamente mais complexos são os que têm em conta o efeito do estado dos microrganismos. Nestes, as variáveis do modelo são estruturadas de acordo com a idade, o volume, a massa, etc. O processo biotecnológico ocorre dentro das células vivas que podem ser visualizadas como micro-reactores bioquímicos segregados interagindo com o seu ambiente (KOSSEN, 1979). Dada a sua complexidade, devida à natureza expansiva e reprodutora destes microreactores e à complexidade das reacções intracelulares, a sua utilização em controlo de 4.3 MODELO DINÂMICO DE REACTORES BIOLÓGICOS 91 processos é pouco prática. De maior utilidade são os modelos não estruturados em que se supõe que a cultura consiste num único tipo de organismo de crescimento homogéneo. Neste tipo de modelo as propriedades dos organismos são assumidas como sendo representadas pela quantidade de biomassa presente no sistema. 4.3 Modelo dinâmico de reactores biológicos Num reactor biológico a dinâmica da variação da quantidade ou concentração de cada componente é explicada em termos de dois fenómenos: • o fenómeno de transformação ou conversão (reacções químicas, bioquímicas e biológicas) de alguns componentes noutros componentes; • o fenómeno de transporte/transferência de massa (convecção, difusão) por trocas de líquido e/ou de gás do reactor biológico com o ambiente exterior. Qs Fe Fs Qe Figura 4.1 Reactor biológico perfeitamente agitado O modelo dinâmico geral para reactores biológicos com agitação perfeita (Figura 4.1) e mistura completa (a composição de um componente no meio líquido é assumida como sendo homogénea) é obtido através de um balanço macroscópico aos componentes envolvidos num dado esquema reaccional. O balanço macroscópico a um sistema constituído por um reactor (químico ou biológico) é obtido pelo seguinte balanço genérico: ACUMULAÇÃO = CONVERSÃO + (ENTRADA – SAÍDA) (4.1) A descrição dinâmica assenta num sistema de equações não lineares do espaço de 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 92 estados denominado Modelo Dinâmico Geral de Reactores Biológicos (BASTIN e DOCHAIN, 1990). Para um dado esquema reaccional, composto por m reacções e n componentes, o modelo geral é constituído por um sistema de n equações diferenciais ordinárias escritas para a concentração de cada componente - variável de estado. A dinâmica da concentração de cada componente ξi é, então, escrita da seguinte forma: dξ i = ∑ ( ± )kijϕ j − Dξi + Fi − Qi dt j &i i=1,…,n j=1,…,m (4.2) em que ξi kij ϕj Fi Qi D D≡ variável de estado (concentração do componente i); coeficientes de rendimentos ou coeficientes estequiométricos do componente i na reacção j; taxa cinética da reacção j (por exemplo: velocidade de crescimento do microrganismo); caudal mássico de alimentação ao reactor na forma líquida (por unidade de volume de líquido no reactor), para o componente i; caudal mássico de saída do reactor na forma gasosa (por unidade de volume de líquido no reactor), para o componente i. -1 taxa de diluição (D é o tempo de residência) definida como a razão entre o caudal volumétrico de alimentação (Fe) e o volume (V) de líquido no reactor: Fe V (4.3) A notação j&i significa que o somatório é efectuado nas reacções de índice j envolvendo o componente de índice i. Os coeficientes kij são valores estritamente positivos. O termo correspondente apresenta o sinal “–” quando i é reagente e o sinal “+” quando i é produto da reacção. Estes coeficientes são adimensionais (unidades de massa/unidades de massa) em consequência de se exprimir a velocidade de uma reacção em relação à velocidade de um componente, dito nominal (BASTIN e DOCHAIN, 1990) ou normalizador (CHEN, 1992). Nessa reacção o coeficiente associado ao componente nominal é, obviamente, igual à unidade. Os componentes não intervenientes numa dada reacção apresentam coeficientes, naturalmente, nulos (zeros estruturais). A dimensão (n×m) da matriz K é tal que n é maior ou igual a m, isto é, o número de componentes é igual ou superior ao número de reacções. O modelo geral pode ser escrito usando a seguinte representação matricial dξ = Kϕ (ξ , t ) − Dξ + F − Q dt (4.4) 4.3 MODELO DINÂMICO DE REACTORES BIOLÓGICOS 93 em que ξ K ϕ F Q T vector de estado constituído pelas concentrações dos componentes ξ = [ξ1, ξ2, …, ξn]; matriz de coeficientes de rendimentos ou coeficientes estequiométricos K = [kij]; T vector de taxas cinéticas das reacções ϕ = [ϕ1, ϕ2, …, ϕm]; vector de caudais mássicos de entradas líquidas no reactor (por unidade de volume de líquido no T reactor): F = [F1, F2, …, Fn]; vector de caudais mássicos de saídas gasosas do reactor (por unidade de volume de líquido no T reactor): Q = [Q1, Q2, …, Qn]. Nesta equação estão evidenciados os dois fenómenos físicos que ocorrem num reactor biológico: o termo Kϕ descreve a cinética das reacções químicas, biológicas ou bioquímicas, e os termos –Dξ + F – Q descrevem a dinâmica dos fenómenos de transporte no reactor. Na situação de diluição de um substrato i na corrente aquosa de alimentação do reactor, o caudal de alimentação desse substrato (por unidade de volume de líquido no reactor) será directamente proporcional à concentração de substrato Se,i no afluente: Fi = DSe,i (4.5) Quando todos os substratos estão na forma líquida, pode definir-se o vector: Se = ⎡⎣ Se,1 , Se ,2 ,K , Se,n ⎤⎦ T (4.6) onde, obviamente, Se,i = 0 quando ξi não for um substrato externo. Pode então escrever-se: F = DSe (4.7) resultando a seguinte equação para o modelo dinâmico geral: dξ = K ϕ (ξ , t ) + D ( S e − ξ ) − Q dt (4.8) Adicionalmente, poderá ser necessária (dependendo do modo de operação do reactor) uma equação para a variação de volume líquido no reactor, traduzida da seguinte forma: dV = Fe − Fs dt (4.9) em que Fs é o caudal volumétrico da corrente de saída do reactor. O Modelo Dinâmico Geral de Reactores Biológicos é aplicável nas três situações particulares de operação de um reactor biológico (ver Cap. 1): descontínuo, semi-contínuo 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 94 e contínuo. Da Tabela 4.2 pode inferir-se o efeito do modo de operação do reactor nos caudais de alimentação e retirada de meio, no volume de meio e na taxa de diluição. Tabela 4.2 Influência do modo de operação de reactores biológicos no modelo dinâmico geral Modo Descontínuo Semi-contínuo Contínuo Fe 0 Fe(t) Fe(t) = Fs(t) Fs 0 0 Fs(t) = Fe(t) dV/dt 0 Fe(t) 0 V Constante V(t) D 0 D(t) = Fe(t)/V(t) a Constante b Constante a. O volume de meio crescerá ao longo do tempo, limitado naturalmente pela capacidade do reactor. b. A taxa de diluição, D, poderá ser crescente, decrescente ou constante, dependendo do perfil de alimentação em substrato, isto é, da função Fe(t). O modelo geral para reactores biológicos pode ser generalizado de forma a descrever processos biotecnológicos mais complexos que ocorram em reactores multitanques (CHEN, 1992) ou em processos de parâmetros distribuídos (DOCHAIN, 1994). 4.3.1 Modelação das taxas de reacção A notação ϕ(ξ,t), usada na equação (4.4), significa que as taxas de reacção do vector ϕ são variáveis no tempo e são funções (não lineares) do estado ξ. BASTIN e DOCHAIN (1990) baseados na lei de acção das massas (ver, por exemplo, WALAS, 1959) - uma reacção só se realiza na presença de todos os reagentes, isto é, se um reagente se esgotar a taxa de reacção será nula - propuseram a seguinte equação para a modelação minimalista das taxas de reacção: ⎛ ⎞ ⎝ k~ j ⎠ ϕ j ( ξ , t ) ≡ ρ j (ξ , t ) ⎜ ∏ ξ k ⎟ (4.10) com 0 ≤ ρ j (ξ , t ) ≤ ρ max (4.11) A notação k~j significa que a multiplicação Π é efectuada para os componentes♦ de ♦ Os componentes com função autocatalítica, caso da biomassa, são considerados como reagentes. 4.3 MODELO DINÂMICO DE REACTORES BIOLÓGICOS 95 índice k que são reagentes na reacção j. A função ρj(ξ,t), denominado taxa específica de reacção, é um parâmetro desconhecido, variável no tempo, mas com variação em geral mais lenta de que ϕ. Definindo o vector ρ e a matriz H(ξ) como se segue: ρ T = [ ρ1 ,K , ρ m ] (4.12) ⎧ ⎫ H (ξ ) = diag ⎨∏ ξ k ⎬ j =1,K, m k ~ j ⎩ ⎭ (4.13) A notação “diag” é utilizada para significar matriz diagonal: ⎡∏ ξ k ⎢ k ~1 ⎢ 0 ⎧ ⎫ ⎢ diag ⎨∏ ξ k ⎬ = ⎢ 0 j =1,K, m k ~ j ⎩ ⎭ ⎢ ⎢ M ⎢ ⎢ 0 ⎣⎢ L 0 ∏ξ k L k ~2 0 M 0 L O L 0 ⎤ ⎥ 0 ⎥ ⎥ ⎥ 0 ⎥ M ⎥ ⎥ ξk ⎥ ∏ k ~m ⎦⎥ (4.14) O modelo dinâmico geral (4.4) é, deste modo, reescrito na seguinte forma: dξ = KH (ξ , t ) ρ (ξ ) − Dξ + F − Q dt (4.15) 4.3.1.1 A taxa específica de crescimento As cinéticas de crescimento dos microrganismos são normalmente traduzidas, em termos do vector ϕ, pela seguinte definição: ϕj(ξ) ≡ µj(ξ)X (4.16) em que µj X taxas específica de crescimento na reacção j; concentração dos microrganismos (biomassa). A equação (4.16) traduz o facto de a cinética de crescimento ser directamente proporcional à concentração da biomassa. A taxa específica de crescimento é entendida como a variação da concentração de biomassa por unidade de tempo (taxa de crescimento) 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 96 e por unidade de concentração de biomassa (proveniente do crescimento em cultura descontínua): µ= 1 dX X dt (4.17) A tradução matemática da dependência de µ com diversos factores (substrato, biomassa, produto, oxigénio dissolvido, metabolitos inibitórios, pH, temperatura, intensidade da luz, etc.) tem originado os mais diversos modelos cinéticos. BASTIN e DOCHAIN (1990) dedicam um apêndice do seu livro a listar cerca de 50 modelos cinéticos que ilustram essas dependências. BARFORD e HALL (1978) apresentam uma avaliação de diferentes tipos de modelos de crescimento com especial ênfase crítica ao modelo de MONOD. A proposta de MONOD (1942) para a modelação da taxa específica de crescimento é, talvez, a mais conhecida e utilizada pela comunidade de científica das áreas de biotecnologia e microbiologia. Não inclui o efeito das diferenças entre as células, nem as alterações na composição celular. Não é adequada para a fase de latência nem para a fase de morte celular. Trata-se de uma abordagem determinística, distribuída e não estruturada. Representa, unicamente, a dependência de µ com a concentração de um substrato limitante e tem a forma de uma equação hiperbólica de saturação semelhante a outras utilizadas em cinética enzimática e em fenómenos de adsorção: µ (t ) = µ max S ( t ) km + S ( t ) (4.18) em que µmax km S taxa específica máxima de crescimento; parâmetro de afinidade dos microrganismos ao substrato; concentração de substrato. Uma alternativa à utilização de um modelo cinético consiste em supor µ(t) desconhecido, e estimá-lo em linha através de técnicas baseadas em filtros adaptativos (HOLMBERG e RANTA, 1982; STEPHANOPOULOS e SAN, 1984; DOCHAIN, 1986). 4.3 MODELO DINÂMICO DE REACTORES BIOLÓGICOS 97 4.3.1.2 Modelação da formação de um produto de síntese - A taxa específica de produção O crescimento dos microrganismos é muitas vezes acompanhado pela formação de produtos. Essa formação pode estar ou não associada ao crescimento (ver Cap. 1). Os produtos podem ser solúveis na cultura ou podem emergir numa forma gasosa (caso do biogás em digestão anaeróbia - ERICKSON e FUNG, 1988). O balanço de massa relativo ao produto no reactor pode ser escrito na seguinte forma geral: dP = υ X − DP − QP dt (4.19) em que P υ QP concentração na fase líquida para o produto de síntese; taxa específica de produção; caudal mássico gasoso de saída do produto P por unidade de volume de reactor. O termo υX representa a taxa de formação do produto e traduz o facto da produção ser “catalisada” pela biomassa. Na situação de formação de um produto associada ao crescimento, assume-se que a taxa específica de produção é directamente proporcional à taxa específica de crescimento: υ ≡ kµ (4.20) em que k é um coeficiente de rendimento. Para a situação de formação de um produto parcialmente dissociada do crescimento (fermentação de ácido láctico), LUEDEKING e PIRET (1959) propuseram a conhecida expressão: υ = kµ+υP (4.21) em que υP é taxa específica de produção não associada ao crescimento. O balanço de massa ao produto reduz-se à forma do modelo geral de reactores biológicos de acordo com a seguinte correspondência: 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 98 Tabela 4.3 Correspondência do balanço à formação de um produto de síntese ao modelo geral de reactores biológicos Modelo Geral ξ Balanço ao produto P Kϕ ⎧ υX = ⎨ kµ X ⎩( k µ + υ P ) X F Q 0 QP 4.4 Dinâmica da fase gasosa Considerando a ocorrência de mistura perfeita na fase gasosa de um reactor biológico, isto é, sem variações espaciais de concentração, pode escrever-se o seguinte balanço mássico para o componente i, em fase gasosa a PTV constantes. VG dξGs ,i dt = QeξGe,i − QsξGs ,i − K Li a (ξ Lsat,i − ξ L ,i ) V (4.22) em que VG ξGe,i ξGs,i ξL,i sat ξL,i i KLa Qe Qs volume de fase gasosa (espaço fechado acima da fase líquida); concentração mássica do componente i na corrente gasosa de entrada no reactor; concentração mássica do componente i na corrente gasosa à saída do reactor; concentração mássica do componente i no reactor (fase líquida); concentração mássica de saturação do componente i no reactor (fase líquida); coeficiente global de transferência para o componente i caudal volumétrico de entrada de gás; caudal volumétrico de saída de gás. Através da Lei dos Gases Perfeitos podem derivar-se as seguintes relações para a concentração (mássica) em fase gasosa em função de • pressão parcial do componente i (Pi) e temperatura absoluta (T): ξ G ,i = PM i i RT (4.23) • pressão total (P), fracção molar do componente i (yi) e temperatura absoluta: ξ G ,i = P M i yi RT (4.24) com Mi massa molar do componente i, R constante dos gases perfeitos. O balanço mássico a um componente na fase gasosa pode ser reescrito na seguinte 4.5 DINÂMICA DE GASES DISSOLVIDOS 99 forma molar: PVG dys ,i = Ge ye,i − Gs ys ,i − K Li a ( CLsat,i − CL ,i ) V RT dt (4.25) em que Ge Gs sat caudal molar de entrada de gás; caudal molar de saída de gás; CL,i concentração molar de saturação na fase líquida para o componente i; CL,i ye,i ys,i concentração molar na fase líquida para o componente i. fracção molar do componente i na corrente gasosa de entrada no reactor; fracção molar do componente i na corrente gasosa à saída do reactor. Os gases inertes, por definição, não são consumidos nem produzidos dentro do sistema e, normalmente, tem uma solubilidade em água muito baixa (caso do azoto). A utilização da eq. (4.25) permite estimar o caudal Gs, conhecendo-se Ge, e as composições à entrada e à saída, para o inerte: ⎛y ⎞ PV ⎛ dy ⎞ 1 Gs = Ge ⎜⎜ e,inerte ⎟⎟ − G ⎜ s ,inerte ⎟ ⎝ ys ,inerte ⎠ RT ⎝ dt ⎠ ys ,inerte (4.26) Normalmente o termo de acumulação é desprezável, o que significa que as correntes de inerte à entrada e saída do reactor devem ser iguais, facilitando assim, o cálculo do caudal de gás total à saída: ⎛y ⎞ Gs = Ge ⎜⎜ e,inerte ⎟⎟ ⎝ ys ,inerte ⎠ (4.27) 4.5 Dinâmica de gases dissolvidos 4.5.1 Dinâmica do oxigénio dissolvido As fermentações aeróbias são processos arejados pelo facto de os microrganismos necessitarem de oxigénio de forma a desenvolverem-se apropriadamente. O oxigénio molecular é usado pelos microrganismos aeróbios como um oxidante para as suas necessidades energéticas. Este processo, denominado respiração, pode decorrer através de diferentes vias metabólicas, dependendo do tipo de substrato e do tipo de microrganismo. O oxigénio dissolvido no meio de cultura pode ser encarado como um substrato adicional. 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 100 A medição da concentração de oxigénio dissolvido em processos de fermentação é normalmente efectuada através de eléctrodos electroquímicos cuja calibração decorre por imersão de uma sonda no meio líquido supostamente em equilíbrio com uma fase gasosa de concentração de oxigénio conhecida (ar por exemplo). Devido a este procedimento, usase muitas vezes a pressão parcial de oxigénio, pO2, como medida da concentração de oxigénio dissolvido, assumindo-se que existe uma saturação do líquido para essa pressão parcial. Devido a este facto, é usual encontrar a designação “tensão de oxigénio dissolvido” para denominar a concentração de oxigénio dissolvido (ONKEN e LIEFKE, 1989). No seguimento usar-se-á esta última designação para representar a composição de oxigénio no meio líquido. O balanço de massa ao oxigénio dissolvido num fermentador é traduzido pela seguinte equação: dO = OTR − OUR − DO dt (4.28) com O concentração de oxigénio dissolvido no reactor; OTR taxa de transferência de oxigénio da fase gasosa para a fase líquida; OUR taxa de consumo de oxigénio pelos microrganismos. A taxa de consumo de oxigénio - OUR♦ depende, obviamente, da taxa de crescimento dos microrganismos: OUR = KOµX (4.29) em que KO é o vector dos coeficientes de rendimento para o oxigénio. Na equação anterior é, por vezes, incluído um termo proporcional à concentração de biomassa para traduzir a parte do oxigénio utilizada na respiração endógena. A modelação da transferência da fase gasosa para a fase líquida permite escrever a seguinte equação para a taxa de transferência de oxigénio: O2 OTR = KL a(Osat – O) ♦ (4.30) Optou-se pela manutenção da terminologia inglesa para as siglas OTR (Oxygen Transfer Rate) e OUR (Oxygen Uptake Rate) dada a inexistência de siglas convencionais correspondentes na terminologia científica portuguesa. 4.5 DINÂMICA DE GASES DISSOLVIDOS 101 com O2 KL a coeficiente global de transferência de oxigénio; Osat concentração de saturação de oxigénio dissolvido; HOLMBERG e RANTA (1982) substituem o coeficiente global de transferência de oxigénio por uma função linear do caudal volumétrico de arejamento, como se segue: sat OTR = βQe(O – O) (4.31) em que β é uma constante de proporcionalidade. O2 Uma vez que os parâmetros KL a e Osat são, na maior parte dos casos, desconhecidos, é preferível a utilização da equação de balanço (4.22), em estado estacionário, ao oxigénio na fase gasosa: (Q OTR = e O2 − QOs 2 ) V (4.32) com e QO2 s QO2 caudal mássico de oxigénio gasoso à entrada do reactor; caudal mássico de oxigénio gasoso à saída do reactor; Os caudais mássicos de oxigénio à entrada e saída do reactor podem ser escritos em função dos caudais molares totais de saída e entrada através das seguintes equações: e QO2 = ye,OGeMO2 s QO2 = ys,OGsMO2 (4.33) (4.34) com ye,O ys,O MO2 fracção molar (ou volúmica) do oxigénio na corrente gasosa de entrada; fracção molar (ou volúmica) do oxigénio na corrente gasosa de saída; massa molar do oxigénio molecular. Utilizando estas relações e a equação de balanço a um componente inerte (4.27), obtémse a seguinte equação para o cálculo do OTR: 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 102 Taxa de Transferência de Oxigénio OTR = ⎞ Ge M O2 ye,inerte ⎛ ye,O y − s ,O ⎟ ⎜⎜ ⎟ V ⎝ ye,inerte ys ,inerte ⎠ (4.35) O cálculo da taxa de transferência de oxigénio necessita da medição da composição das correntes gasosas à entrada e saída do reactor e também da medição do caudal molar total de gás à entrada do reactor. Valores típicos de oxigénio e azoto no ar atmosférico são 20.98% e 78.04% respectivamente (ar seco). O balanço de massa ao oxigénio reduz-se à forma do modelo geral de reactores biológicos de acordo com a seguinte correspondência: Tabela 4.4 Correspondência do balanço ao oxigénio ao modelo geral de reactores biológicos Modelo Geral ξ Kϕ F Q Balanço ao oxigénio O -OUR OTR 0 4.5.2 Dinâmica do dióxido de carbono dissolvido O oxigénio tem sido considerado como a principal variável que controla o ambiente gasoso de uma fermentação; há contudo situações evidentes de que o dióxido de carbono desempenha um papel importante em várias fermentações, sejam aeróbias (JONES e GREENFIELD, 1982) ou anaeróbias (ROZZI et al., 1985), devido ao seu papel no metabolismo celular. O dióxido de carbono constitui um substrato bio-sintético nas reacções de carboxilação ou um produto metabólico nas reacções de descarboxilação (HO et al., 1987). O cálculo da concentração de dióxido de carbono dissolvido não é tão imediato como no caso do oxigénio. O dióxido de carbono é bastante mais solúvel em água que o oxigénio. A 30 °C as solubilidades expressas em litros de gás por litro de água são: 0.0261 e 0.665 para o oxigénio e dióxido de carbono respectivamente (HEINZLE e DUNN, 1991). Adicionalmente, o dióxido de carbono reage com a água, formando hidrogenocarbonato e carbonato, conforme se evidencia pelas seguintes reacções de associação e dissociação: CO2(gas.) CO2(aq.) + H2O CO2(aq.) H2CO3 (4.36) (4.37) 4.5 DINÂMICA DE GASES DISSOLVIDOS H2CO3 HCO3 HCO3 + H+ 103 (4.38) 2- CO3 + H+ (4.39) A velocidade da reacção de formação de ácido carbónico é bastante lenta quando comparada com a da sua dissociação. Uma indicação da importância relativa de cada uma das formas moleculares de dióxido de carbono na fase líquida de uma fermentação é dada pelas seguintes relações de equilíbrio (JONES e GREENFIELD, 1982): [ H 2CO3 ] = 10−3 ⎡⎣CO 2 ( aq.) ⎤⎦ (4.40) ⎡⎣ HCO-3 ⎤⎦ 2.5 × 10−4 = [ H 2CO3 ] ⎡⎣ H + ⎤⎦ (4.41) ⎡⎣CO 2-3 ⎤⎦ 6 × 10−11 = ⎡⎣ HCO-3 ⎤⎦ ⎡⎣ H + ⎤⎦ (4.42) Torna-se evidente, com estas relações, que a concentração do ião carbonato é sempre desprezável para a gama de valores normalmente utilizada em processos de fermentação (pH 4.0 - 7.0). Em fermentações de levedura (pH 4.0 - 5.5) o dióxido de carbono dissolvido encontrar-se-á, maioritariamente, na forma CO2(aq). Para estas gamas de pH podem ignorar-se as reacções de dióxido de carbono dissolvido com os iões hidroxilo, assim como a sua complexação com grupos aminados de moléculas de proteínas (ROYCE e THORNHILL, 1991). O dióxido de carbono produzido no interior da célula pelo seu metabolismo, e uma vez que a membrana celular é relativamente impermeável às espécies iónicas, passa para o meio na forma de dióxido de carbono dissolvido. A dinâmica da concentração de dióxido de carbono dissolvido durante uma fermentação é descrita pela seguinte equação, resultante de um balanço material: dC = CER − DC − CTR dt em que (4.43) 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 104 C concentração de dióxido de carbono na fase líquida; CER taxa de produção de dióxido de carbono devida ao crescimento dos microrganismos; CTR taxa de transferência de dióxido de carbono da fase líquida para a fase gasosa. Tal como no caso do oxigénio, a taxa de produção de dióxido de carbono - CER♦ dependerá, obviamente, da taxa de crescimento dos microrganismos: CER = KCµX (4.44) em que KC é o vector dos coeficientes de rendimento para o dióxido de carbono. A modelação da transferência da fase líquida para a fase gasosa permite escrever a seguinte equação para a taxa de transferência de dióxido de carbono: CO2 CTR = KL a(C – Csat) (4.45) com CO2 KL a coeficiente global de transferência de dióxido de carbono; Csat concentração de saturação de dióxido de carbono na fase líquida; A concentração de saturação de dióxido de carbono dissolvido pode ser relacionada com a pressão parcial externa de dióxido de carbono a partir da conhecida lei de HENRY: pCO2 = CG,CO2RT = CsatHCO2 (4.46) em que pCO pressão parcial de dióxido de carbono; 2 CG,CO concentração molar de dióxido de carbono na fase gasosa; 2 R T HCO constante dos gases perfeitos; temperatura absoluta do sistema; constante de HENRY para o dióxido de carbono: 77.273 Pa m3Kg-1 a 30 °C (SCHUMPE et al., 1982). 2 ROYCE e THORNHILL (1991) sugerem uma relação entre os coeficientes de transferência de massa para o dióxido de carbono e para o oxigénio: K LCO2 a ⎛ DLCO2 =⎜ K LO2 a ⎜⎝ DLO2 ♦ ⎞ ⎟⎟ ⎠ 23 ⎛ 2.0 × 10 −9 m 2 ⋅ s −1 ⎞ ⎟ = ⎜⎜ 2 −9 −1 ⎟ ⎝ 2.4 × 10 m ⋅ s ⎠ 23 = 0.89 (4.47) Optou-se pela manutenção da terminologia inglesa para as siglas CER (Carbon dioxide Evolution Rate) e CTR (Carbon dioxide Transfer Rate) dada a inexistência de siglas convencionais correspondentes na terminologia científica portuguesa. 4.5 DINÂMICA DE GASES DISSOLVIDOS O2 CO2 em que DL e DL 105 são as difusividades de fase líquida para o oxigénio e dióxido de carbono respectivamente. Os valores de difusividade foram obtidos para a água a 25 °C (INCROPERA e WITT, 1990). Apesar de os valores de difusividade serem função da DE composição e temperatura do meio, a sua razão é constante (ROYCE e THORNHILL, 1991). HEINZLE e DUNN (1991) sugerem, contudo, a possibilidade de se poder considerar os dois coeficientes aproximadamente iguais. CO2 Uma vez que os parâmetros KL a e Csat são, na maior parte dos casos, desconhecidos, é preferível a utilização da equação de balanço (4.25), em estado estacionário, ao dióxido de carbono na fase gasosa (adaptada em termos mássicos): (Q CTR = s CO2 e − QCO ) 2 (4.48) V com e QCO2 caudal mássico de dióxido de carbono gasoso à entrada do reactor (por unidade de volume de reactor); s QCO2 caudal mássico de dióxido de carbono gasoso à saída do reactor (por unidade de volume de reactor); De modo idêntico ao cálculo de OTR pela equação (4.35), a equação seguinte assegurará o cálculo da taxa de transferência de dióxido de carbono, CTR: Taxa de Transferência de Dióxido de carbono CTR = ⎞ Ge M CO2 ye ,inerte ⎛ ys ,C y − e,C ⎟⎟ ⎜⎜ V ⎝ ys ,inerte ye ,inerte ⎠ (4.49) O valor típico de dióxido de carbono no ar atmosférico é 0.038 %. O balanço de massa ao dióxido de carbono reduz-se à forma do modelo geral de reactores biológicos conforme a seguinte correspondência: 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 106 Tabela 4.5 Correspondência do balanço ao dióxido de carbono ao modelo geral de reactores biológicos Modelo Geral ξ Kϕ F Q Balanço ao dióxido de carbono C CER 0 CTR 4.5.3 O quociente respiratório A combustão de substratos, através da utilização de oxigénio e libertação de dióxido de carbono é a etapa crítica da respiração celular. A oxidação completa de um substrato ocorre através de relação estequiométrica conhecida, produzindo e consumindo quantidades previsíveis de dióxido de carbono e oxigénio, respectivamente. Tradicionalmente o quociente respiratório tem sido usado, como uma técnica não invasiva, na determinação da natureza da fonte de carbono que está a ser consumida num processo de fermentação. Para uma utilização de um dado substrato, é pois, possível estimar o respectivo quociente respiratório. O quociente respiratório é definido como a razão molar entre a taxa de produção de dióxido de carbono e a taxa de consumo de oxigénio: ⎛ CER ⎞ ⎜ ⎟ M CO2 ⎠ ⎝ RQ ≡ ⎛ OUR ⎞ ⎜ ⎟ M O2 ⎠ ⎝ (4.50) No cálculo de RQ faz-se normalmente a aproximação de considerar as equações dinâmicas para o oxigénio e para o dióxido de carbono em estado quase estacionário para o meio líquido (WANG e STEPHANOPOULOS, 1984). A razão prende-se com o facto de as constantes de tempo dessas equações (que são da ordem do volume de meio dividido pelo caudal volumétrico de gás) serem muito pequenas quando comparadas com as constantes de tempo das equações dinâmicas das concentrações de biomassa e substrato (da ordem do volume do meio dividido pelo caudal volumétrico de meio). Verifica-se também que o termo DO << OTR e o termo DC << CTR. Deste modo pode considerar-se que a taxa de transferência de oxigénio (OTR) é idêntica à taxa de consumo de oxigénio (OUR) e que a taxa de transferência de dióxido de carbono é idêntica à taxa de produção de dióxido de carbono (CER). Estas simplificações, que transformam uma equação diferencial numa equação 4.6 MODELO MATEMÁTICO PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 107 algébrica, permitindo reduzir a ordem do modelo, são designadas em Teoria de Sistemas por técnicas de perturbações singulares (KOKOTOVIC et al., 1986) ou por aproximações de estado pseudo estacionário, designação preferida em Engenharia Química. Com estas aproximações e usando as equações (4.35) e (4.49) o quociente respiratório é calculado como se segue: ⎛ CTR ⎞ ⎛ ys ,C − ye ,C ⎞ ⎜ ⎟ ⎜ M CO2 ⎟⎠ ⎜⎝ ys ,inerte ye,inerte ⎟⎠ ⎝ RQ ≈ = ⎛ OTR ⎞ ⎛ ye ,O y s ,O ⎞ − ⎜ ⎟ ⎜ ⎟⎟ M O2 ⎠ ⎜ y ⎝ ⎝ e,inerte ys ,inerte ⎠ (4.51) O conhecimento em linha do quociente respiratório necessita somente da análise da composição do gás de saída e do ar de entrada, realizável por espectrometria de massa. ROYCE (1992) e ROYCE e THORNHILL (1992) demonstraram que esta determinação é bastante sensível ao valor de pH do meio de cultura principalmente para pH>6.5 (em que concentração de dióxido de carbono dissolvido é uma a duas ordens de magnitude superior à concentração de oxigénio dissolvido). A taxa de utilização de oxigénio (OUR), a taxa de produção de dióxido de carbono (CER) e o quociente respiratório são indicadores muito úteis da actividade respiratória celular, especialmente na fermentação semi-contínua para a produção de fermento de padeiro. 4.6 Modelo matemático para a produção de fermento de padeiro O crescimento do fermento de padeiro em glucose com produção/consumo de etanol pode ser caracterizado por três vias metabólicas principais. No capítulo 2 foram apresentadas as equações estequiométricas (eqs. (2.1) a (2.3)) relativas as estas vias metabólicas. Essas equações, usadas durante muito tempo para descrever o metabolismo da glucose pela Saccharomyces, foram postas em causa (COONEY et al., 1977; WANG et al., 1977) a partir do momento em que as análises da fase gasosa (especialmente por espectrometria de massa) permitiram o cálculo rigoroso de parâmetros relacionados com estado metabólico das células. O quociente respiratório (RQ) constitui um desses parâmetros, conforme se verifica na Tabela 4.6, para o metabolismo da glucose pela 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 108 Saccharomyces: Tabela 4.6 Estado metabólico vs. quociente respiratório RQ Estado fisiológico RQ > 1.1 produção de etanol 0.9 < RQ < 1.1 crescimento oxidativo 0.7 < RQ < 0.9 metabolismo endógeno RQ < 0.6 utilização de etanol A partir da estequiometria clássica para esta fermentação, o crescimento respiratório conduziria a valor de RQ unitário (1 mole de dióxido de carbono por mole de oxigénio). Contudo vários autores indicam valores experimentais de RQ próximos de 1.08. Identicamente, para a respiração do etanol esperar-se-ia um valor de RQ igual a 0.67 (2 moles de dióxido de carbono para 3 moles de oxigénio), verificando-se na prática um valor igual a 0.42. É visível a partir dos dados desta tabela que quaisquer desvios do valor de RQ da proximidade da unidade provocarão uma deterioração do rendimento de crescimento celular da levedura (AIBA e FURUSE, 1990). É, assim, preferível descrever as vias metabólicas através da seguinte formulação que constitui o chamado esquema reaccional ou rede de reacções (BASTIN e DOCHAIN, 1990): Crescimento respiratório em glucose (via oxidativa) µo s k1S + k5O ⎯⎯⎯ → X + k7 C (4.52) Crescimento fermentativo em glucose (via redutiva) µr k2 S ⎯⎯s⎯ → X + k8C + k3 E (4.53) Crescimento respiratório em etanol (via oxidativa) µo e k4 E + k6O ⎯⎯⎯ → X + k9 C (4.54) em que S, O, X, C e E representam respectivamente glucose, oxigénio, biomassa, dióxido o r o de carbono e etanol; µs , µs e µe representam as taxas específicas de crescimento e os ki são os coeficientes de rendimento, expressos em relação à produção de uma unidade de levedura (o componente nominal) em cada reacção. Na sequela, S, …, E designarão 4.6 MODELO MATEMÁTICO PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 109 concentrações dos componentes anteriormente referidos. As três equações anteriores constituem uma descrição qualitativa do esquema reaccional do metabolismo da glucose. Esta formulação, comparativamente às equações estequiométricas apresentadas no capítulo 2, considera a formação de biomassa e inclui coeficientes de rendimento (vistos como coeficientes estequiométricos) que tomarão em linha de conta a síntese celular e de produtos secundários eventualmente não considerados no esquema reaccional. De notar que neste esquema não surge a fonte de azoto, particularmente importante para o balanço ao potencial de oxidação-redução (BARFORD e HALL, 1979). O modelo dinâmico associado a este esquema reaccional, obtido por balanços de massa aos componentes, considerando o reactor perfeitamente agitado, é o seguinte: dX = − DX + ( µ so + µ rs + µ eo ) X dt (4.55) dS = − DS + DSe + ( − k1µ so − k2 µ sr ) X dt (4.56) dE = − DE + ( k3 µ sr − k4 µ eo ) X dt (4.57) dO = − DO + OTR + ( −k5 µ so − k6 µ eo ) X dt (4.58) dC = − DC − CTR + ( k7 µ so + k8 µ sr + k9 µ eo ) X dt (4.59) Na equação de balanço à glucose utilizou-se a variável Se para designar a concentração de açúcar na corrente de alimentação. Note-se que a mesma notação é usada para o vector referido em (4.6). Estas cinco equações diferenciais ordinárias e não lineares - modelo de espaços de estados - podem ser representadas pela equação seguinte: Modelo dinâmico para a produção de fermento de padeiro ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k ⎢ ⎥ ⎢ 1 d ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 1 − k2 k3 0 k8 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎥ ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ o 0 ⎥ ⎡µs ⎤ ⎢ ⎥ ⎢ e⎥ ⎢ ⎥ ⎢ ⎥ −k4 ⎥ ⎢ µ sr ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ − ⎢ 0 ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ − k6 ⎥ ⎢⎣ µ eo ⎥⎦ ⎢ O ⎥ ⎢OTR ⎥ ⎢ 0 ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣CTR ⎥⎦ k9 ⎥⎦ (4.60) 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 110 Esta estrutura matricial está subjacente ao modelo dinâmico geral de reactores biológicos (4.4) com n = 5 variáveis de estado e m = 3 taxas de reacção. A correspondente equivalência é feita como se segue: ⎡1 − k1 ξ = [X S E O C], K = ⎢⎢1 −k2 ⎢⎣1 0 T T T 0 − k5 k3 0 − k4 − k6 k7 ⎤ k8 ⎥⎥ k9 ⎥⎦ T (4.61) F = [0 DSe 0 OTR 0], Q = [0 0 0 0 CTR] (4.62) ϕ T (ξ ) = ⎡⎣ µ so (4.63) µ sr µ eo ⎤⎦ X Utilizando a representação mencionada em § 4.3.1 (Modelação das taxas de reacção), têm-se: H(ξ) = diag(X) e ρT ( ξ ) = µso µsr µ oe (4.64) Conforme referido em § 2.1.3, verifica-se em fermentações semi-contínuas a ocorrência de dois regimes metabólicos distintos: respiração e fermentação da glucose com produção de etanol, referida como regime respiro-fermentativo (RF) e respiração conjunta de glucose e etanol - regime respirativo (R). Isto significa que a levedura só pode crescer por duas vias simultaneamente. Assim, o modelo dinâmico para a produção de fermento de padeiro deve ser dividido em dois modelos parciais (POMERLEAU, 1990) como se segue: Modelo parcial RF - estado Respiro-fermentativo do processo ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k 1 d ⎢ ⎥ ⎢ ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 e 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎥ ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ −k2 ⎥ o ⎢ ⎥ ⎢ e⎥ ⎢ ⎥ ⎡µs ⎤ k3 ⎥ ⎢ r ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ − ⎢ 0 ⎥ ⎥ µ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ 0 ⎥⎣ s ⎦ ⎢ O ⎥ ⎢OTR ⎥ ⎢ 0 ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣CTR ⎥⎦ k8 ⎥⎦ (4.65) 4.7 MODELO MATEMÁTICO PARA A FERMENTAÇÃO ETANÓLICA 111 Modelo parcial R - estado Respiratório do processo ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k 1 d ⎢ ⎥ ⎢ ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ 0 ⎥⎥ o ⎢ ⎥ ⎢ e⎥ ⎢ ⎥ ⎡µs ⎤ −k4 ⎥ ⎢ o ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ − ⎢ 0 ⎥ ⎥ µ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ − k6 ⎥ ⎣ e ⎦ ⎢ O ⎥ ⎢OTR ⎥ ⎢ 0 ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣CTR ⎥⎦ k9 ⎥⎦ (4.66) Note-se que através da divisão do modelo se reduziu a duas (m = 2) o número de reacções. A ordem deste modelo pode ser reduzida usando a aproximação introduzida em § 4.5.3 (técnica de perturbação singular), por transformação da equação diferencial relativa à dinâmica do dióxido de carbono numa equação algébrica. Assim a taxa de transferência de dióxido de carbono será igual à taxa de produção de dióxido de carbono, calculada, conforme o regime metabólico, como se segue: o r RF CTR = (k7µs + k8µs)X o (4.67) o R CTR = (k7µs + k9µe )X (4.68). 4.7 Modelo matemático para a fermentação etanólica A fermentação etanólica de um substrato constituído essencialmente por glucose pode ser caracterizada pela via metabólica (crescimento fermentativo em glucose) apresentada estequiometricamente na equação (2.4). Esta via metabólica pode ser formulada através do seguinte esquema reaccional: Fermentação etanólica µ k1S ⎯⎯→ X + k2 E + k3C (4.69) em que os símbolos mantêm o significado apresentado para a produção de fermento de padeiro. O modelo dinâmico associado a este esquema reaccional é descrito pelo seguinte sistema de equações diferenciais: 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 112 dX = µ X − DX dt (4.70) dS = − k1µ X + DSe − DS dt (4.71) dE = k2 µ X − DE dt (4.72) dC = k3 µ X − DP − CTRM dt (4.73) Este sistema de equações diferenciais pode ser representado pela seguinte equação matricial: Modelo dinâmico para a fermentação etanólica ⎡X ⎤ ⎡ 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎢ S ⎥ ⎢ −k ⎥ ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ d ⎢ ⎥ ⎢ 1⎥ ⎥ = µX − D⎢ ⎥+ ⎢ e⎥ −⎢ ⎢E⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ dt ⎢ E ⎥ ⎢ k2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ C ⎦ ⎣⎢ k3 ⎦⎥ ⎣ C ⎦ ⎣ 0 ⎦ ⎣CTR ⎦ (4.74) com n = 4 variáveis de estado e m = 1 taxas de reacção, em que: T T ξ = [X S E C], K = [1 –k1 k2 k3] T T (4.75) F = [0 DSe 0 0], Q = [0 0 0 -CTR] (4.76) ϕ = µX, ρ = µ, H(ξ) = X (4.77) Conforme referido em § 3.2, as experiências decorriam a maior parte do tempo sem alimentação de açúcar ou seja em modo descontínuo. Assim, no modelo anterior deve considerar-se D = 0 e eliminar o vector de correntes de alimentação, obtendo-se o seguinte modelo para a fermentação etanólica descontínua: ⎡X ⎤ ⎡ 1 ⎤ ⎡ 0 ⎤ ⎢ S ⎥ ⎢ −k ⎥ ⎢ 0 ⎥ d ⎢ ⎥ ⎢ 1⎥ ⎥ = µX −⎢ ⎢ 0 ⎥ dt ⎢ E ⎥ ⎢ k2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ C ⎦ ⎣⎢ k3 ⎦⎥ ⎣CTR ⎦ (4.78) De modo idêntico ao fermento de padeiro, a ordem deste modelo pode ser reduzida usando a técnica de perturbação singular, por transformação da equação diferencial relativa à dinâmica do dióxido de carbono numa equação algébrica. Assim a taxa de transferência 4.8 MODELO MATEMÁTICO PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 113 de dióxido de carbono será igual à taxa de produção de dióxido de carbono: CTR = k3µX (4.79). 4.8 Modelo matemático para a síntese enzimática de ampicilina A síntese enzimática de ampicilina pode ser caracterizada por três reacções bioquímicas principais. No capítulo 2 foram apresentadas as equações estequiométricas (eqs. (2.5) a (2.7)) relativas as estas reacções, cujo esquema reaccional é o seguinte: Síntese de ampicilina ϕ 1 k1S1 + S 2 ⎯⎯→ k5 P2 + k6 P3 (4.80) Hidrólise de metifenilglicina ϕ 2 S 2 ⎯⎯⎯ → k3 P1 + k7 P3 (4.81) Hidrólise de ampicilina ϕ 3 P2 ⎯⎯→ k4 P1 + k2 S1 (4.82) em que S1, S2, P1, P2 e P3 representam, respectivamente, ácido 6-aminopenicilânico, metifenilglicina, fenilglicina, ampicilina e metanol; ϕ1, ϕ2 e ϕ3 representam as taxas de reacção e os ki são os coeficientes de rendimento, expressos em relação ao componente nominal em cada reacção (metilfenilglicina para a 1ª e 2ª reacções, ampicilina para a 3ª reacção). Na sequela, S1, …, P3 designarão concentrações dos componentes anteriormente referidos. Neste esquema reaccional não é considerado o componente água, sem perda de consistência, uma vez que o esquema se refere a uma descrição do processo meramente qualitativa. O modelo de estado para a operação de um reactor em modo semi-contínuo é descrito pelo seguinte conjunto de equações diferenciais: dS1 = −k1ϕ1 + k2ϕ3 − DS1 + F1 dt (4.83) dS2 = −ϕ1 − ϕ 2 − DS2 + F2 dt (4.84) 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 114 dP1 = k3ϕ 2 + k4ϕ3 − DP1 + F3 dt (4.85) dP2 = k5ϕ1 − ϕ3 − DP2 dt (4.86) dP3 = k6ϕ1 + k7ϕ 2 − DP3 dt (4.87) em que Fi são caudais de alimentação de substratos por unidade de volume de reactor. Este modelo pode ser reduzido à expressão matricial (4.4) Modelo dinâmico para a síntese enzimática de ampicilina ⎡ S1 ⎤ ⎡ −k1 ⎢ S ⎥ ⎢ −1 2⎥ ⎢ ⎢ d ⎢ P1 ⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ P2 ⎥ ⎢ k5 ⎢⎣ P3 ⎥⎦ ⎢⎣ k6 0 k2 ⎤ ⎡ S1 ⎤ ⎡ F1 ⎤ ⎥ ⎢ ⎥ ⎢ ⎥ −1 0 ⎥ ⎡ϕ1 ⎤ ⎢ S 2 ⎥ ⎢ F2 ⎥ k3 k4 ⎥ ⎢⎢ϕ 2 ⎥⎥ − D ⎢ P1 ⎥ + ⎢ F3 ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ 0 −1⎥ ⎢⎣ϕ 3 ⎥⎦ ⎢ P2 ⎥ ⎢ 0 ⎥ ⎢⎣ P3 ⎥⎦ ⎢⎣ 0 ⎥⎦ k7 0 ⎥⎦ (4.88) com n = 5 variáveis de estado e m = 3 taxas de reacção, em que: T T ξ = [S1 S2 P1 P2 P3], ϕ = [ϕ1 ϕ2 ϕ3] (4.89) ⎡ −k1 K = ⎢⎢ 0 ⎣⎢ k2 (4.90) T −1 0 −1 k3 0 k4 k6 ⎤ T 0 k7 ⎥⎥ , F = [F1 F2 F3 0 0], Q = 0 −1 0 ⎦⎥ k5 A modelação minimalista das taxas de reacção (ver § 4.3.1) conduz à seguinte representação: ⎡ϕ1 ⎤ ⎡ S1S 2 ⎢ϕ ⎥ = ⎢ 0 ⎢ 2⎥ ⎢ ⎢⎣ϕ3 ⎥⎦ ⎢⎣ 0 0 S2 0 0 ⎤ ⎡ ρ1 ⎤ 0 ⎥⎥ ⎢⎢ ρ 2 ⎥⎥ P2 ⎥⎦ ⎢⎣ ρ3 ⎥⎦ (4.91) em que ρ1, ρ2, ρ3 são taxas específicas de reacção para cada uma das três reacções do esquema reaccional. 4.9 SÍNTESE 115 4.9 Síntese Neste capítulo é apresentado o modelo geral para a dinâmica de reactores biológicos, cuja estrutura matricial será usada ao longo da tese. Foi dada particular ênfase à modelação da fase gasosa e à dinâmica de gases dissolvidos. Foram estabelecidos os modelos matemáticos de espaço de estados para os três processos em estudo. Para a produção de fermento de padeiro foram propostas duas abordagens: um modelo global a três reacções; modelos parciais que têm em consideração os dois regimes metabólicos. Os modelos de estado, obtidos por balanços macroscópicos aos componentes envolvidos no respectivo esquema reaccional, apresentam uma estrutura matricial em comum, que no seguimento permitirá estabelecer algoritmos de identificação, estimação e controlo. No próximo capítulo serão calculados os coeficientes de rendimento que constituem a matriz K sem o conhecimento das leis cinéticas das reacções. 4.10 Bibliografia AIBA, S., FURUSE, H. Some Comments on Respiratory Quotient (RQ) Determination from the Analysis of Exit Gas from a Fermentor. Biotechnol. Bioeng., 36, 534-538, 1980. ARIS, R., PENN, M. The Mere Notion of a Mathematical Model. Int. J. Math. Modelling, 1,1, 1980. BARFORD, J.P., HALL, R.J. An Evaluation of the Approaches to the Mathematical Modelling of Microbial Growth. Process Biochem., 8, 22-29, 1978. BARFORD, J.P., HALL, R.J. Investigation of the Significance of a Carbon and Redox Balance to the Measurement of the Gaseous Metabolism of Saccharomyces cerevisiae. Biotechnol. Bioeng., 21, 609626, 1979. BASTIN, G., DOCHAIN, D. On-line Estimation and Adaptive Control of Bioreactors, Elsevier Science Publishers, Amsterdam, 1990. BELLGARDT, K.-H. Cell Models. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap. 9, 267-298, 1991. CHEN, L. Modelling, Identifiability and Control of Complex Biotechnological Systems, Dissertação de Doutoramento, Université Catholique de Louvain, Louvain-la-Neuve, 1992. COONEY, C.L., WANG, H.Y., DANIEL, I.C. Computer-Aided Material Balancing for Prediction of Fermentation Parameters. Biotechnol. Bioeng., 19, 55-67, 1977. DOCHAIN, L. On-line Parameter Estimation, Adaptive State Estimation and Adaptive Control of Fermentation Processes. Dissertação de Doutoramento, Université Catholique de Louvain, Louvain-laNeuve, 1986. DOCHAIN, L. Contribution to the Analysis and Control of Distributed Parameter Systems with Application to (Bio)Chemical Processes. Dissertação para Agregação, Université Catholique de Louvain, Louvain-laNeuve, 1994. 4. MODELAÇÃO MATEMÁTICA - DINÂMICA DE PROCESSOS 116 ERICKSON, L.E., FUNG, D.Y.-Y. Handbook on Anaerobic Fermentations, Marcel Dekker, Inc., New York, 1988. FREDRICKSON, A.G. Formulation of Structured Growth Models. Biotechnol. Bioeng., 18, 1481-1486, 1976. FREDRICKSON, A.G., TSUCHIYA, H.M. Microbial Kinetics and Dynamics. Chemical Reactor Theory - A Review, (L. LAPIDUS e N.R. AMUNDSON, Eds.), Prentice-Hall, Englewood Cliffs, 405-483, 1977. HARDER, A., ROELS, J.A. Application of Simple Structured Models in Bioengineering. Advances in Biochemical Engineering/Biotechnology, Vol. 21: Microbes and Engineering Aspects, (A. FIECHTER, Ed.), Springer-Verlag, Berlin, 55-107, 1982. HEINZLE, E., DUNN, I.J. Methods and Instruments in Fermentation Gas Analysis. Biotechnology A MultiVolume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap. 2, 27-74, 1991. HO, C.S., SMITH, M.D., SHANAHAN, J.F. Carbon Dioxide Transfer in Biochemical Reactors. Advances in Biochemical Engineering/Biotechnology, Vol. 35: Biotechnology Methods, (A. FIECHTER, Ed.), Springer-Verlag, Berlin, 83-125, 1987. HOLMBERG, A., RANTA, J. Procedures for Parameter and State Estimation of Microbial Growth Processes Models. Automatica, 18, 181-193, 1982. INCROPERA, F., DE WITT, D. Fundamentals of Heat and Mass Transfer, John Wiley, Chichester, 1990. ISAACS, S., THOMA, M., MUNACK, A. Use of Orthogonal Collocation Approximation for Parameter Identification and Control Optimization of a Distributed Parameter Biological Reactor. Biotechnol. Prog., 3:4, 248-258, 1987. JONES, R.P., GREENFIELD, P.F. Effect of Carbon Dioxide on Yeast Growth and Fermentation. Enzyme Microbiol. Technol., 4, 210-223, 1982. KOKOTOVIC, P., KHALIL, H.K., O’REILLY, J. Singular Perturbation Methods in Control: Analysis and Design, Academic Press, London, 1986. KOSSEN, N.W.F. Mathematical Modelling of Fermentation Processes: Scope and Limitations. Microbial Technology: Current State, Future Prospects (A.T. BULL, D.C. ELLWOOD e C. RATLEDGE, Eds.), Cambridge University Press, Cambridge, 327-357, 1979. LUEDEKING, R., PIRET, E.L. A Kinetic Study of the Lactic Acid Fermentation. Batch Process at Controlled pH. J. Biochem. Microbiol. Technol. & Eng., 1, 393, 1959. MAVROVOUNIOTIS, M.L., STEPHANOPOULOS, G., STEPHANOPOULOS, G. Formal Modeling of Approximate Relations in Biochemical Systems. Biotechnol. Bioeng., 34, 196-206, 1989. MONOD, J. Recherches sur la Croissance des Cultures Bactériennes, Hermann, Paris, 1942. NIELSEN, J., VILLADSEN, J. Modelling of Microbial Kinetics. Chem. Eng. Sci., 47:17/18, 4225-4270, 1992. ONKEN, U., LIEFKE, E. Effect of Total and Partial Pressure (Oxygen and Carbon Dioxide) on Aerobic Microbial Processes. Advances in Biochemical Engineering/Biotechnology, Vol. 40: Bioprocesses and Engineering, (A. FIECHTER, Ed.), Springer-Verlag, Berlin, 137-169, 1989. POMERLEAU, Y. Modelisation et Controle d'un Procédé Fed-Batch de Culture des Levures à Pain (Saccharomyces cerevisiae). Dissertação de Doutoramento, Université de Montreal, 1990. RAMKRISHNA, D. Towards Self-Similar Theory of Microbial Populations. Biotechnol. Bioeng., 43, 138-148, 1994. RANTA, J. Some Properties of Microbial Age Dynamic Model, Modelling and Control of Biotechnical Processes, (A. HALME, Ed.), Pergamon Press, Oxford, 1983. ROELS, J.A. Energetics and Kinetics in Biotechnology, Elsevier Biomedical Press, Amsterdam, 1983. ROELS, J.A., KOSSEN, N.W.F. On the Modelling of Microbial Metabolism. Progress in Industrial Microbiology, vol. 14, (M.J. BULL, Ed.), Elsevier, Amsterdam, 95-203, 1981. ROYCE, P.N.C. Effect of Changes in the pH and Carbon Dioxide Evolution Rate on the Measured Respiratory Quotient of Fermentations. Biotechnol. Bioeng., 40, 1129-1138, 1992. 4.10 BIBLIOGRAFIA 117 ROYCE, P.N.C., THORNHILL, N.F. Estimation of Dissolved Carbon Dioxide Concentrations in Aerobic Fermentations. A.I.Ch.E. J., 37:11, 1680-1686, 1991. ROYCE, P.N.C., THORNHILL, N.F. Analysis of Noise and Bias in Fermentation Oxygen Uptake Rate Data. Biotechnol. Bioeng., 40, 634-637, 1992. ROZZI, A., DI PINTO, A.C., BRUNETTI, A. Anaerobic Process Control by Bicarbonate Monitoring, Environ. Technol. Letters, 6:12, 594-601, 1985. SCHUMPE, A., QUICKER, G. DECKWER, W.-D. Gas Solubilities in Microbial Culture Media. Advances in Biochemical Engineering/Biotechnology, Vol. 24: Reaction Engineering, (A. FIECHTER, Ed.), SpringerVerlag, Berlin, 1-38, 1982. SHULER, M.L. Dynamic Modelling of Fermentation Systems. Comprehensive Biotechnology, vol. 2: The Principles of Biotechnology: Engineering Considerations, (M. MOO-YOUNG, Ed.), Pergamon Press, Oxford, cap. 6, 119-131, 1985. STEPHANOPOULOS, G., SAN, K.-Y. Studies on On-line Bioreactor Identification. Biotechnol. Bioeng., 26, 1176-1188, 1984. TAKAMATSU, T., SHIOYA, S., OKUDA, K. A Comparison of Unstructured Growth Models of Microorganisms. J. Ferment. Technol., 59:2, 131-136, 1981. TAN, Y, WANG, Z.-X., SCHNEIDER, R.P., MARSHALL, K.C. Modelling Microbial Growth: A Statistical Thermodynamic Approach. J. Biotechnol., 32, 97-106, 1994. WALAS, S.M. Reaction Kinetics for Chemical Engineers, McGraw-Hill, New York, 1959. WANG, H.Y., COONEY, C.L., DANIEL, I.C. Computer-Aided Baker’s Yeast Fermentation. Biotechnol. Bioeng., 19, 69-86, 1977. WANG, N.S., STEPHANOPOULOS, G.N., Computer Applications to Fermentation Processes, CRC Critical Reviews in Biotechnology, 2:1, 1-103, 1984. YUAN, J.-Q., BELLGARDT, K.-H. Structured Segregated Model for Optimal Profit Control of Baker’s Yeast Production. Modelling and Control of Biotechnical Processes 1992, (M.N. KARIM, G. STEPHANOPOULOS, Eds.), Pergamon Press, Oxford, 53-58, 1992. ZHANG, X.-C., VISALA, A., HALME, A., LINKO, P. Functional State Modelling Approach for Bioprocesses: Local Models for Aerobic Yeast Growth Processes. J. Proc. Control, 4:3, 127-134, 1994. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA EUGÉNIO C. FERREIRA FEUP 1995 5. Modelação Matemática Identificação de Modelos “…most experimenters think of experimental design as an art owing much to intuition and very little to mathematics, while mathematics view it as an essentiallly statistical problem. While we do not question the obvious importance of the experimenter’s intuition and prior knowledge, […] mathematical treatment can also be helpful in designing an appropriate experiment …” E. WALTER e L. PRONZATO (1990) Sumário É objectivo deste capítulo o desenvolvimento de algoritmos para identificação de coeficientes de rendimento em processos biotecnológicos. São apresentadas metodologias para a estimação de coeficientes de rendimento através de medições completas do estado. São propostas estratégias de planificação experimental que visam a optimização da riqueza informativa da experiência, quantificada por índices relativos à matriz de informação de FISHER. O objectivo da planificação experimental foi endereçado em termos da programação de trajectórias de entradas. Na produção de fermento de padeiro procurou projectar-se experiências que conduzissem a um máximo de informação através da programação do caudal de alimentação em glucose. Os algoritmos de identificação dos coeficientes de rendimento tiveram aplicação real à fermentação etanólica. Para a síntese enzimática de ampicilina fizeram-se simples considerações estequiométricas para cálculo dos coeficientes de rendimento. 5.1 INTRODUÇÃO À IDENTIFICAÇÃO DE SISTEMAS 5.2 IDENTIFICAÇÃO DE COEFICIENTES DE RENDIMENTO 5.3 PLANIFICAÇÃO DE EXPERIÊNCIAS 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 5.5 IDENTIFICAÇÃO NA FERMENTAÇÃO ETANÓLICA 5.6 IDENTIFICAÇÃO NA SÍNTESE ENZIMÁTICA DE AMPICILINA 5.7 SÍNTESE 5.8 BIBLIOGRAFIA 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 120 5.1 Introdução à identificação de sistemas Um sistema é caracterizado pelas variáveis correspondentes a entradas, saídas e perturbações a um dado processo (Figura 5.1). perturbações não medidas medidas variáveis manipuladas d u w Processo θ x saídas medidas y y saídas não medidas z Figura 5.1 Sistema com entradas, saídas e perturbações Em Teoria de Sistemas estas variáveis são normalmente representadas pela seguinte notação: u w y vector de entradas; vector de perturbações não medidas; vector de saídas medidas; d x z vector de perturbações medidas; vector de variáveis de estado; vector de saídas não medidas; O correspondente modelo, usando esta notação, pode ser escrito genericamente, como se segue: x• = f(x,u,d,w,θ,t) (5.1) com as variáveis medidas dadas por y = g(x,θ,t) (5.2) em que θ representa o vector de parâmetros do modelo. O problema da identificação de sistemas surge da necessidade de um melhor conhecimento acerca do processo com vista à sua modelação e controlo. A definição clássica de identificação (segundo MUNACK, 1991) refere a determinação, com base nas entradas e saídas (descrição externa), de um sistema dentro de uma classe especificada de sistemas, ao qual o sistema em teste é equivalente (descrição interna: estrutura e parâmetros do modelo). Uma excelente revisão sobre a teoria de identificação de sistemas é efectuada por 5.2 IDENTIFICAÇÃO DE COEFICIENTES DE RENDIMENTO 121 ÅSTRÖM e EYKHOFF (1971) e aspectos práticos são abordados em ISERMANN (1980). O tema é tratado com grande profundidade nas obras de LJUNG (1987) e SÖDERSTRÖM e STOICA (1989). BECK e YOUNG (1989) apresentam uma introdução (ilustrada) sobre a questão de identificação de sistemas em processos biotecnológicos. Alguns casos práticos de identificação em linha a processos de fermentação podem ser encontrados em KOTOB et al. (1987), KO et al. (1982), ANDERSEN (1990), SAN e STEPHANOPOULOS (1984), STEPHANOPOULOS e SAN (1984), WU et al. (1987). Algumas questões ligadas à temática da identificabilidade de sistemas (um modelo dizse identificável quando existe um conjunto único de valores para os parâmetros do modelo) para o caso de processos biotecnológicos, são abordadas por NIHTILÄ e VIRKKUNEN (1977) e por HOLMBERG (1982, 1983). Estes autores apresentam estudos de identificabilidade teórica e análise de sensibilidade para estimação dos parâmetros cinéticos da equação de MONOD. Esta equação é constantemente revisitada, sendo motivo dos mais variados estudos: CHOUAKRI et al. (1994) estendem os estudos anteriores à situação de decaimento celular e à manutenção endógena; VIALAS et al. (1986) e MUNACK (1989) propõem estratégias de condução de experiências de forma a obter o máximo de informação na estimação desses coeficientes. A discriminação de modelos e identificação de coeficientes de rendimento em processos de fermentação é extensamente apresentada em CHEN (1992). 5.2 Identificação de coeficientes de rendimento No capítulo anterior foi introduzido o modelo dinâmico geral de reactores biológicos, usando a seguinte notação matricial: dξ = Kϕ (ξ , t ) − Dξ + F − Q dt (4.4)=(5.3) No tratamento que se segue, a equação anterior é alterada, introduzindo o vector U, de “entradas” no sistema, que resulta da associação dos termos F – Q: dξ = Kϕ (ξ , t ) − Dξ + U dt (5.4) O problema da identificação na modelação de processos biotecnológicos é, 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 122 normalmente, duplo: 1. estimação de coeficientes de rendimento da matriz K; 2. determinação de estruturas apropriadas para modelos das velocidades de reacção ϕ(ξ) e a estimação dos coeficientes cinéticos referentes a ϕ(ξ). Neste trabalho será somente tratada a primeira situação. A metodologia que se passa a expor foi parcialmente proposta por CHEN (1992) que demonstrou a possibilidade de estimação dos coeficientes de rendimento sem a modelação da cinética das reacções. Definindo uma partição não singular da matriz K em duas partes Ka, Kb como se segue ⎡ Ka ⎤ ⎢ K ⎥ = LK ⎣ b⎦ (5.5) em que L é uma matriz n×n de permutação de linhas tal que Ka apresente característica completa (“full rank”). Sendo p a característica da matriz K, tem-se Ka ∈Rpxm, Kb ∈R(np)xm em que n é o número de variáveis de estado e m o número de reacções. As correspondentes partições induzidas de ξ e U são escritas como se segue ⎡ξ a ⎤ ⎢ξ ⎥ = Lξ ⎣ b⎦ ⎡U ⎤ , ⎢ a ⎥ = LU ⎣U b ⎦ (5.6) com ξa, Ua ∈Rp e ξb, Ub ∈R(n-p). Introduzindo a seguinte transformação linear de estado: Z ≡ Aξa+ξb (5.7) em que a matriz A de dimensão (n–p)×p constitui a solução da seguinte equação matricial AKa+Kb = 0 (5.8) isto é + A = –KbKa (5.9) + com Ka a representar a inversa generalizada ou a pseudo-inversa da matriz Ka, virá então que o modelo inicial (5.4) é reescrito na seguinte forma dξ a = K aϕ (ξ a , Z − Aξ a ) − Dξ a + U a dt (5.10) 5.2 IDENTIFICAÇÃO DE COEFICIENTES DE RENDIMENTO 123 dZ = − DZ + AU a + U b dt (5.11) Note-se nesta última equação a ausência explícita do termo relativo às velocidades das reacções. É todavia visível na equação (5.11) a dependência da dinâmica de Z relativamente à matriz A (logo dependente dos coeficientes de rendimento). Caso Ua seja um vector de zeros a integração da equação (5.11) pode ser usada para o projecto do regressor (ver exemplo para a fermentação etanólica). A alternativa será fazer surgir a matriz A numa equação de saída conforme a seguinte decomposição do vector Z: Z ≡ AZa + Zb (5.12) em que as variáveis Za ∈Rp e Zb ∈R(n-p) são governadas pelas seguintes dinâmicas: Modelo auxiliar (CHEN, 1992) dZ a = − DZ a + U a dt (5.13) dZ b = − DZ b + U b dt (5.14) ξb = Zb – A(ξa – Za) (5.15) Estas três equações podem ser usadas para a estimação dos coeficientes de rendimento através da identificação da matriz A, independentemente do tipo de leis cinéticas que possam descrever as velocidades das reacções. Neste modelo intervém somente a dinâmica de transporte do sistema e pode ser considerado como um modelo linear, variante no tempo, com estado Z, entradas Ua, Ub e ξa e saída ξb. Trata-se de um modelo não linear relativamente aos coeficientes de rendimento, mas linear em relação aos elementos da matriz A. A equação para o vector ξb, que pode ser encarado como uma saída, é obtida por substituição da equação (5.7) na equação (5.12). Definindo o vector de saída y e o vector regressor φ do seguinte modo y ≡ Zb – ξb (5.16) φ = ξa – Za (5.17) 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 124 a equação (5.15) toma a forma de uma regressão linear: y(t) = Aφ(t) (5.18) com t ∈[0, Tt] em que Tt é o tempo total da experiência. A dinâmica do vector φ é obtida através das equações (5.10) e (5.13): dφ = K aϕ (ξ ) − Dφ dt (5.19) Designando os componentes da matriz A por θi, a equação (5.18) toma a seguinte forma: θ2 θ p ⎤ ⎡ φ1 ⎤ L ⎡ y1 ⎤ ⎡ θ1 ⎢ y ⎥ ⎢θ θ p + 2 L θ 2 p ⎥⎥ ⎢φ2 ⎥ ⎢ 2 ⎥ = ⎢ p +1 ⎢ ⎥ M M M ⎥⎢ M ⎥ ⎢ M ⎥ ⎢ M ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎣⎢ yn − p ⎦⎥ ⎢⎣θ n − p +1 θ n − p + 2 L θ ( n − p )× p ⎥⎦ ⎣⎢φ p ⎦⎥ (5.20) Para cada componente escalar yl (l=1,…,n–p) de y pode escrever-se T yl(t) = φ (t)θl (5.21) em que θl representa o vector constituído pelos elementos θi (i=1,…,p) da linha l da matriz A. Esta equação de regressão constitui a base de cálculo para a estimação dos coeficientes de rendimento. Problemas ligados à identificabilidade dos coeficientes de rendimento foram extensamente estudados por CHEN (1992). Esta autora estabelece que as propriedades de identificabilidade dos coeficientes de rendimento, para um dado sistema caracterizado pela matriz K, são independentes da escolha da partição e demonstra a condição necessária para a identificação dos coeficientes de rendimento de uma dada reacção (elementos de uma coluna de K) através da matriz A: os coeficientes de rendimento da reacção j são identificáveis através de A somente se nj – 1 ≤ n – p, sendo nj o número de componentes envolvidos na reacção j, p a característica da matriz K, n o número de componentes ou variáveis de estado. Esta condição significa que pode identificar-se pelo menos (n – p) coeficientes em cada reacção sem o conhecimento das taxas de reacção. 5.3 PLANIFICAÇÃO DE EXPERIÊNCIAS 125 5.3 Planificação de experiências A planificação de experiências constitui a aplicação de metodologias para a selecção de condições experimentais para que determinada experiência contenha o máximo de informação sobre as propriedades de um sistema específico de uma dada aplicação. A planificação de experiências para desenvolvimento ou optimização de processos, desde as técnicas clássicas de planificação factorial (POLAKOVIC et al., 1993) até à moderna utilização de redes neuronais artificiais (GLASSEY et al., 1994), tem sido alvo de muitos estudos, não constituindo, no entanto, o objecto deste estudo. Neste trabalho pretende programar-se a condução de experiências para identificação de parâmetros em sistemas não lineares. A planificação de experiências para modelação do comportamento de sistemas em estado estacionário tem sido extensamente aplicada. A utilização desta técnica em sistemas dinâmicos tem sido mais limitada (SHIRT et al., 1994; ESPIE e MACCHIETTO, 1989). Em sistemas dinâmicos as condições experimentais disponíveis para ajuste incluem: portas ou locais de medição, tempos de amostragem, filtros de pré-amostragem e o sinal de entrada (GOODWIN, 1987). O projecto ou planificação de experiências deve ter em consideração vários factores (GOODWIN, 1987), incluindo: i. o objectivo da experiência e a aplicação pretendida dos resultados; ii. a classe de modelos a usar; iii. os métodos de identificação e o critério para o melhor ajuste; iv. a extensão de um certo conhecimento a priori sobre o sistema; v. as restrições na operação do sistema. Num exercício de estimação de parâmetros torna-se, pois, necessária uma base de comparação de diferentes condições experimentais. Uma medida da precisão dos parâmetros obtidos num problema de identificação poderá dar indicações que permitam essa comparação. A precisão dos parâmetros depende do grau de riqueza ou grau de independência do regressor. Estes graus são medidos através de instrumentos teóricos baseados na chamada matriz de funções de sensibilidade que se apresenta no seguimento. 5.3.1 A matriz de informação Na sequela o vector θ designará, genericamente, os parâmetros θi a determinar em cada equação de regressão, substituindo o vector θl representativo da linha l da matriz A. Identicamente, o escalar y substituirá o escalar yl. A equação de regressão será então reduzida à seguinte forma linear: 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS T y( t ) = φ ( t ) θ 126 (5.22) o Considere-se uma pequena perturbação nos parâmetros θ na vizinhança de θ (valores o nominais de θ) escrita por δθ ≡ θ – θ e que origina uma perturbação ou desvio na trajectória de y(t), com o δy(t) ≡ y(θ,t) – y(θ ,t) = (∂y/∂θ)δθ (5.23) em que (∂y/∂θ) é a matriz de funções de sensibilidade, representando a sensibilidade da saída y(θ,t) (i=1,…,l) aos parâmetros θj (j=1,…,p): ⎛ ∂ y (t ) ⎞ ⎡ ∂ y ∂y⎤ L ⎥ ⎜ ⎟=⎢ ∂θ p ⎥⎦ ⎝ ∂θ ⎠ ⎣⎢ ∂θ1 (5.24) As equações de medição para as observações ym(ti) são dadas por ym(ti) = y(θ,ti) + e(ti) (5.25) com i=1,2,…,nT em que nT é o número de pontos experimentais deste t=0 (i=1) até t=Tt (i=nT) e e(ti) é o ruído da observação. A matriz de informação de Fisher (FISHER, 1966), representa uma medida da informação referente aos parâmetros desconhecidos (LJUNG, 1987) e é definida por ( ⎧ ⎡ ∂ log f Y θ (m ) ⎪ FI ≡ E ⎨ ⎢ ∂θ ⎪ ⎢⎣ ⎩ ) ⎤⎥ ( ⎡ ∂ log f (Ym θ ) ⎢ ∂θ ⎥ ⎢ ⎦ ⎣ T ) ⎤⎥ ⎫⎪ ⎬ ⎥⎪ ⎦⎭ (5.26) em que E{…} representa o operador estatístico esperança (ou média); Ym é o vector das observações ym(ti); ƒ(Ym|θ) é a função densidade de probabilidade condicional de Ym dado θ. Como normalmente ƒ(Ym|θ) é uma função complicada de θ e difícil de determinar, optase pela seguinte simplificação, válida para experiências com ruído de média zero, variância unitária, distribuição normal idêntica para cada ti e valores de ruído não correlacionados: ⎛ ∂ y ( ti ) ⎞ ⎛ ∂ y ( ti ) ⎞ FI = ∑ ⎜ ⎟ ⎜ ⎟ ∂θ ⎠ ⎝ ∂θ ⎠ i =1 ⎝ nT T (5.27) A matriz de informação de FISHER apresenta as seguintes propriedades (MEHRA, 1976): é uma matriz real não singular, simétrica, semipositiva, de dimensão k×k; pertence a um 5.3 PLANIFICAÇÃO DE EXPERIÊNCIAS 127 conjunto de matrizes de informação convexo e fechado. Uma medida da precisão da estimação é a matriz de co-variância dos parâmetros (GOODWIN e PAYNE, 1973). A matriz de co-variância assimptótica de um estimador θ^ de θ satisfaz a seguinte desigualdade, conhecida como limite inferior de CRAMÉR-RAO (CRAMÉR, 1946; RAO, 1965) () ( cov θˆ ≡ E ⎡ θˆ − θ ⎢⎣ )(θˆ − θ ) ⎤⎥⎦ ≥ F T −1 (5.28) I _ _ em que θ representa a média ou esperança de θ (θ = E{θ^ }). A igualdade é obtida para um estimador eficiente (por exemplo, o estimador BLUE - Best Linear Unbiased Estimator). Para a regressão de cálculo dos coeficientes de rendimento - eq. (5.21) - a matriz de funções de sensibilidade é facilmente determinada por: T (∂y/∂θ) = φ (t) (5.29) A matriz de informação de FISHER é, deste modo, calculada como segue: nT FI = ∑ φ T ( ti ) φ ( ti ) (5.30) i =1 A perturbação ou desvio na trajectória de y(t) devida a uma pequena perturbação nos parâmetros θ, usando as equações (5.23) e (5.29) é calculada por: T δy(t) = φ (t)δθ (5.31) De um ponto de vista geométrico, a região de todos os desvios dos parâmetros δθ que originam desvios δy pode ser representada por uma elipsóide que está centrada, teoricamente, no valor verdadeiro de θ. Assim, para uma variação δy(t) medida em termos de norma-2, tem-se: δ y (t ) ≡ nT ∑ (δ y ( t ) ) i =1 i 2 = δ c (constante) (5.32) A correspondente elipsóide no espaço de parâmetros é obtida por elevação ao quadrado de ambos os membros da equação anterior e aplicação das equações (5.30) e (5.31), obtendo-se: 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS T 2 δθ FIδθ = δc 128 (5.33) A sensibilidade dos valores estimados dos parâmetros relativamente aos desvios das saídas pode ser verificada examinando a forma e o volume da elipsóide dos desvios. Interessará aumentar o grau de riqueza da independência do regressor de forma a reduzir o efeito dos ruídos na precisão da identificação dos parâmetros. Quando os ruídos das medições são aditivos apresentando média nula, variância unitária e distribuição gaussiana normal (ruídos brancos), as elipsóides dos desvios são proporcionais às regiões de confiança assimptóticas (SÖDERSTRÖM e STOICA, 1989). 5.3.2 Critérios de optimalidade na medição da informação Uma experiência diz-se informativa se todos os valores próprios da matriz de informação de FISHER forem positivos (GOODWIN e PAYNE, 1977). Na procura de condições experimentais, são normalmente considerados (WALTER e PRONZATO, 1990) os seguintes critérios para exprimir o grau de riqueza ou grau de independência de um regressor: • Optimalidade D: corresponde a maximizar o determinante da matriz de informação de FISHER sendo equivalente a minimizar o volume das elipsóides de desvios. Constitui uma medida dos erros absolutos dos valores estimados dos parâmetros; • Optimalidade E: corresponde a maximizar o valor próprio mínimo λmin da matriz de informação de FISHER sendo equivalente a minimizar o diâmetro máximo (dmax) das elipsóides de desvios; • Número de condicionamento: corresponde a minimizar a razão entre os valores próprios máximo e mínimo da matriz de informação de FISHER; NC=λmax/λmin. Está relacionado com a definição de limites do erro relativo do vector de parâmetros em norma-2 (SÖDERSTRÖM e STOICA, 1989) e é igual à razão entre os diâmetros mínimo e máximo da elipsóide (dmin/dmax). Os critérios expostos poderão ser usados como funções objectivo de um problema de optimização relativamente às variáveis de projecto (entradas U(t), o tempo de amostragem T e o número de amostras). Na prática, a complexidade da função destas variáveis na matriz de informação, requer uma solução iterativa, como avaliações sucessivas destes critérios de forma a encontrar a melhor escolha das variáveis de projecto. Na procura das condições óptimas das funções das entradas torna necessário conhecerse a matriz de informação. No caso em estudo é exigido determinar as trajectórias dos regressores φ(t, θ, ξ, U) que são função do vector de parâmetros a estimar para cálculo dos 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 129 coeficientes de rendimento. Uma vez que os parâmetros θ são desconhecidos, devem utilizar-se alguns parâmetros que são determinados por um conhecimento inicial. Parâmetros na vizinhança de θ serão assim bem estimados, por aplicação das funções calculadas para os sinais de entrada. A vantagem desta abordagem resulta da possibilidade de testar várias escolhas ad hoc das variáveis de projecto antes de conduzir uma experiência. A aplicação da planificação óptima de experiências em processos biotecnológicos é recente, salientando-se os trabalhos pioneiros de MUNACK e co-autores (MUNACK, 1989; MUNACK e POSTEN, 1989; POSTEN e MUNACK, 1990) em culturas de suspensão de células vegetais. A linha destes autores é seguida por BALTES et al. (1994) na aplicação à fermentação da levedura Trichosporon cutaneum. 5.4 Identificação na produção de fermento de padeiro Nesta parte pretende estudar-se a planificação de experiências para identificação dos coeficientes de rendimento do modelo da produção de fermento de padeiro estabelecido em § 4.6. A condução de experiências será quantificada através das técnicas de medida de informação anteriormente apresentadas. Só muito recentemente surgiram os primeiros trabalhos de planificação de experiências para identificação de parâmetros de modelos em fermento de padeiro. CHEN (1992) utiliza o modelo global a três reacções para estimação dos coeficientes de rendimento. Propõe uma planificação experimental com três fases: período descontínuo para identificação dos rendimentos associados à respiração da glucose; um segundo período, com alimentação semi-contínua e sem arejamento, em que ocorre a fermentação da glucose e uma terceira fase, novamente em descontínuo, de forma a verificar-se a respiração do etanol. Utiliza o número de condicionamento da matriz de FISHER para medição do teor informativo da experiência. BALTES et al. (1993) propõem um projecto óptimo de uma experiência para identificação de parâmetros cinéticos de um modelo metabólico estruturado. A experiência consiste numa alimentação em pulsos, em que a quantidade de glucose e a frequência do pulso foram calculadas por optimização do determinante da matriz de informação. EJIOFOR et al. (1994ab) apresentam uma estratégia de operação do reactor em modo semi-contínuo para identificação do rendimento global (YX/S) para o regime respiro-fermentativo e de 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 130 parâmetros cinéticos do modelo. A alimentação consiste num perfil exponencial durante 20 horas seguido de 4 horas de operação a caudal constante. O perfil exponencial é calculado de forma a manter a taxa específica de crescimento (considerada como a soma dos componentes de cada uma das três vias metabólicas) em três patamares diferentes. O teor de informação é expresso em termos do menor dos valores próprios da matriz de FISHER. Serão apresentadas de seguida duas abordagens para a determinação dos coeficientes de rendimento, uma baseada no modelo global a três reacções, outra baseada na utilização dos modelos parciais. 5.4.1 Projecto dos regressores para o modelo global a três reacções Para o modelo global, que se apresenta de novo: ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k ⎢ ⎥ ⎢ 1 d ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 1 − k2 k3 0 k8 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎥ ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ o 0 ⎥ ⎡µs ⎤ ⎢ ⎥ ⎢ e⎥ ⎢ ⎥ ⎢ ⎥ −k4 ⎥ ⎢ µ sr ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ − ⎢ 0 ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ − k6 ⎥ ⎣⎢ µ eo ⎦⎥ ⎢ O ⎥ ⎢OTR ⎥ ⎢ 0 ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣CTR ⎥⎦ k9 ⎥⎦ T (4.60)=(5.34) T introduz-se a partição de estado ξa = [E O C] e ξb = [X S] com as correspondentes partições induzidas de K, F e Q dadas por T T T T Ua = (Fa – Qa) = [0 OTR -CTR], Ub = (Fb – Qb) = [0 DSe] ⎡ 0 K a = ⎢⎢ −k5 ⎢⎣ k7 k3 0 k8 − k4 ⎤ ⎡ 1 − k6 ⎥⎥ , K b = ⎢ ⎣ − k1 k9 ⎥⎦ 1 − k2 1⎤ 0 ⎥⎦ (5.35) (5.36) Fazendo a transformação de estado (Z ≡ Aξa + ξb) introduzida pela equação (5.7), em que a matriz A, calculada por (5.9), é dada por: A= 1 k%a ⎡ k6 ( k7 − k8 ) + k5 ( k8 − k9 ) k4 ( k8 − k7 ) + k3 ( k9 − k7 ) k3 ( k6 − k5 ) − k4 k5 ⎤ ⎢ ⎥ (5.37) k k k k k k k k k k k k k k k k k k k k k k − + − − − ( ) ( ) 2 5 9 6 7 1 6 8 4 2 7 1 8 1 3 9 2 4 5 1 3 6 ⎣ ⎦ ~ com ka ≡ k3k5k9 – k3k6k7 + k4k5k8. No seguimento considera-se, genericamente, a seguinte configuração para a matriz A: 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO ⎡θ θ 2 θ 3 ⎤ A=⎢ 1 ⎥ ⎣θ 4 θ 5 θ 6 ⎦ 131 (5.38) Dado que a matriz K apresenta característica igual a 3 e de acordo com a condição necessária estabelecida por CHEN (1992) é possível somente a identificação de dois coeficientes de rendimento em cada uma das três reacções. Assim os 2×3 elementos da matriz A possibilitarão a identificação de seis coeficientes de rendimento. Existindo três coeficientes por reacção, há necessidade de introduzir relações algébricas entre dois coeficientes em cada reacção. As relações utilizadas são baseadas em relações estequiométricas conhecidas. Por exemplo, para o crescimento oxidativo em glucose, é sabido que o consumo de 1 mole de oxigénio origina a produção de 1 mole de dióxido de carbono (2.2) permitindo estabelecer a seguinte relação (em termos mássicos): 7 α5 = k7/k5 = 1.375 (5.39) Para o crescimento fermentativo (2.1) há a produção de 1 mole de etanol por mole de dióxido de carbono libertado: 8 α3 = k8/k3 = 0.96 (5.40) Na respiração do etanol, são utilizadas 3 moles de oxigénio para a produção de 2 moles de dióxido de carbono: 9 α6 = k9/k6 = 0.925 (5.41) Fazendo a transformação de estado introduzida pela equação (5.7), obtém-se Z1 = θ1E + θ2O + θ3C + X (5.42) Z2 = θ4E + θ5O + θ6C + S (5.43) com a correspondente dinâmica calculada conforme (5.11): dZ1/dt = –DZ1 + θ2OTR – θ3CTR (5.44) dZ2/dt = –DZ2 + θ5OTR – θ6CTR + DSe (5.45) É visível nesta equação a dependência da dinâmica de Z relativamente à matriz A (logo dependente dos coeficientes de rendimento). Esta equação não pode, neste caso, ser utilizada directamente para o projecto do regressor. Deve usar-se o modelo auxiliar introduzido pelas equações (5.13) a (5.15), obtendo-se: 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 132 ⎡ Z a1 − E ⎤ ⎡ X − Z b1 ⎤ ⎡θ1 θ 2 θ 3 ⎤ ⎢ ⎥ ⎢ S − Z ⎥ = ⎢θ θ θ ⎥ ⎢ Z a 2 − O ⎥ 5 6⎦ b2 ⎦ ⎣ ⎣ 4 ⎢⎣ Z a 3 − C ⎥⎦ (5.46) com as seguintes dinâmicas para as variáveis auxiliares: dZa1/dt = –DZa1 (5.47) dZa2/dt = –DZa2 + OTR (5.48) dZa3/dt = –DZa3 – CTR (5.49) dZb1/dt = –DZb1 (5.50) dZb2/dt = –DZb2 + DSe (5.51) cujas condições iniciais são: Za1(0) = E(0), Za2(0) = O(0), Za3(0) = C(0), Zb1(0) = X(0), Zb2(0) = S(0). Estas inicializações são uma das soluções de igualar as duas definições de Z (equações (5.7) e (5.12)). A equação (5.46) permite escrever as seguintes equações de regressão: y1(t) = θ1φ1(t) + θ2φ2(t) + θ3φ3(t) (5.52) y2(t) = θ4φ1(t) + θ5φ2(t) + θ6φ3(t) (5.53) com y1(t) = X(t) – Zb1(t), y2(t) = S(t) – Zb2(t) e os regressores dados por φ1(t) = Za1(t) – E(t), φ2(t) = Za2(t) – O(t) e φ3(t) = Za3(t) – C(t). Os parâmetros θi são determinados através do método dos mínimos quadrados. Seguemse as fórmulas de cálculo dos coeficientes de rendimento a partir dos θi estimados. Estas expressões são deduzidas por resolução das relações da equação (5.8), usando a matriz A. Respiração da glucose: 7 7 7 7 k1 = (α5θ6 – θ5)/(θ2 – α5θ3), k5 = 1/(θ2 – α5θ3), k7 = α5k5 (5.54) Fermentação da glucose: 8 8 8 8 k2 = –(α3θ6 + θ4)/(θ1 + α3θ3), k3 = –1/(θ1 + α3θ3), k8 = α3k3 Respiração do etanol: (5.55) 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 9 133 9 k4 = (θ5 – α6θ6)/[θ1θ5 – θ2θ4 + α6(θ3θ4 – θ1θ6)], 9 9 k6 = –θ4/[θ1θ5 – θ2θ4 + α6(θ3θ4 – θ1θ6)], k9 = α6k6 (5.56) A validação da identificação é feita por comparação das estimativas de biomassa e glucose, calculadas através da equação (5.46), com os valores experimentais destas variáveis. Tem-se, assim as equações seguintes ^ ^ ^ ^ X(t) = Zb1(t) + θ1φ1(t) + θ2φ2(t) + θ3φ3(t) (5.57) S(t) = Zb2(t) + θ4φ1(t) + θ5φ2(t) + θ6φ3(t) (5.58) A matriz de informação de FISHER, calculada através de (5.30), é escrita como se segue: ⎡ nT 2 ⎢ ∑ φ1 ( ti ) ⎢ i =1 ⎢ nT FI = ⎢ ∑ φ1 ( ti ) φ2 ( ti ) ⎢ i =1 ⎢ nT ⎢ ∑ φ1 ( ti ) φ3 ( ti ) ⎣⎢ i =1 nT ∑ φ1 ( ti )φ2 ( ti ) i =1 nT i =1 i nT ∑φ (t )φ (t ) i =1 2 3 i 1 i 3 i ⎥ ⎥ φ2 ( ti ) φ3 ( ti ) ⎥ ∑ i =1 ⎥ nT ⎥ φ32 ( ti ) ⎥ ∑ i =1 ⎦⎥ i =1 nT ∑φ (t ) 2 2 ⎤ ∑φ (t )φ (t ) ⎥ nT i (5.59) 5.4.2 Projecto dos regressores para os modelos parciais a duas reacções Os modelo parciais a usar e cuja apresentação se repete, são os seguintes Modelo parcial RF (4.65) ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k 1 d ⎢ ⎥ ⎢ ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 Modelo parcial R (4.66) 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎥ ⎢ S ⎥ ⎢ DS ⎥ −k2 ⎥ o e ⎥ ⎢ ⎥ ⎢ ⎡µs ⎤ k3 ⎥ ⎢ r ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ ⎥ µ ⎢ ⎥ ⎢ ⎥ 0 ⎥⎣ s ⎦ ⎢ O ⎥ ⎢ OTR ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ −CTR ⎥⎦ k8 ⎥⎦ ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k 1 d ⎢ ⎥ ⎢ ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 T 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎥ ⎢ S ⎥ ⎢ DS ⎥ 0 ⎥ o e ⎥ ⎢ ⎥ ⎢ ⎡µs ⎤ − k4 ⎥ ⎢ o ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ ⎥ µ ⎢ ⎥ ⎢ ⎥ − k6 ⎥ ⎣ e ⎦ ⎢ O ⎥ ⎢ OTR ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ −CTR ⎥⎦ k9 ⎥⎦ (5.60) T Introduz-se a partição de estado ξa = [S O] e ξb = [X C E] com as partições de F e Q dadas por T T T T Ua = (Fa – Qa) = [DSe OTR], Ub = (Fb – Qb) = [0 -CTR 0] para ambos os modelos. As partições induzidas em K são apresentadas na Tabela 5.1. 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 134 Tabela 5.1 Partições induzidas de K e correspondente matriz A Ka Modelo parcial RF R Kb ⎡ −k1 ⎢ −k ⎣ 5 − k2 ⎤ 0 ⎥⎦ ⎡ −k1 ⎢ −k ⎣ 5 0 ⎤ − k6 ⎥⎦ ⎡1 ⎢k ⎢ 7 ⎢⎣ 0 ⎡1 ⎢k ⎢ 7 ⎢⎣ 0 A 1⎤ k8 ⎥⎥ k3 ⎥⎦ 1 ⎤ k9 ⎥⎥ − k4 ⎥⎦ ⎡ k5 1 ⎢ k5 k8 k 2 k5 ⎢ ⎢⎣ k5 k3 ( k2 − k1 ) ⎤ ( k2 k7 − k1k8 ) ⎥⎥ ⎥⎦ − k1k3 ⎡ ( k 6 − k5 ) k1 ⎤ 1 ⎢ ( k6 k7 − k5 k9 ) k1k9 ⎥⎥ ⎢ k1k6 ⎢⎣ k 4 k5 − k1k4 ⎥⎦ Nesta tabela surgem também as expressões para a matriz A calculada pela equação (5.9). Considere-se genericamente a seguinte configuração para esta matriz: ⎡θ θ 3 θ 5 ⎤ AT = ⎢ 1 ⎥ ⎣θ 2 θ 4 θ 6 ⎦ (5.61) Fazendo a transformação de estado (Z ≡ Aξa + ξb), obtém-se ⎡ Z1 ⎤ ⎡θ1S + θ 2O + X ⎤ Z = ⎢⎢ Z 2 ⎥⎥ = ⎢⎢θ 3 S + θ 4O + C ⎥⎥ ⎢⎣ Z 3 ⎥⎦ ⎢⎣θ 5 S + θ 6O + E ⎥⎦ (5.62) com a correspondente dinâmica: ⎡ Z1 ⎤ ⎡ Z1 ⎤ ⎡ θ1 DSe + θ 2OTR ⎤ dZ d ⎢ ⎥ = ⎢ Z 2 ⎥ = − D ⎢⎢ Z 2 ⎥⎥ + ⎢⎢θ 3 DSe + θ 4OTR − CTR ⎥⎥ dt dt ⎣⎢ Z 3 ⎦⎥ ⎣⎢ Z 3 ⎦⎥ ⎣⎢ θ 5 DSe + θ 6OTR ⎦⎥ (5.63) De modo idêntico à situação desenvolvida para o modelo global, é visível nesta equação a dependência da dinâmica de Z relativamente à matriz A. Deve então usar-se o modelo auxiliar introduzido pelas equações (5.13) a (5.15), obtendo-se: ⎡ X − Z b1 ⎤ ⎡θ1 θ 2 ⎤ ⎢ C − Z ⎥ = ⎢θ θ ⎥ ⎡ Z a1 − S ⎤ 4⎥⎢ b2 ⎥ ⎢ ⎢ 3 Z a 2 − O ⎦⎥ ⎣ ⎣⎢ E − Z b 3 ⎦⎥ ⎣⎢θ 5 θ 6 ⎥⎦ (5.64) com as seguintes dinâmicas para as variáveis auxiliares: dZa1/dt = –DZa1 + DSe (5.65) 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 135 dZa2/dt = –DZa2 + OTR (5.66) dZb1/dt = –DZb1 (5.67) dZb2/dt = –DZb2 – CTR (5.68) dZb3/dt = –DZb3 (5.69) cujas condições iniciais são: Za1(0) = S(0), Za2(0) = O(0), Zb1(0) = X(0), Zb2(0) = C(0), Zb3(0) = E(0). Estas inicializações são uma das soluções de igualar as duas definições de Z (equações (5.7) e (5.12)). A equação (5.64) permite escrever as seguintes equações de regressão: y1(t) = θ1φ1(t) + θ2φ2(t) (5.70) y2(t) = θ3φ1(t) + θ4φ2(t) (5.71) y3(t) = θ5φ1(t) + θ6φ2(t) (5.72) com y1(t) = X(t) – Zb1(t), y2(t) = C(t) – Zb2(t), y3(t) = E(t) – Zb3(t) e os regressores dados por φ1(t) = Za1(t) – S(t), φ2(t) = Za2(t) – O(t). Os parâmetros θi são determinados através do método dos mínimos quadrados. A Tabela 5.2 apresenta as fórmulas de cálculo para recuperação dos valores dos coeficientes de rendimento a partir dos θi estimados. Essas expressões são deduzidas por resolução das relações da equação (5.8), usando, para cada regime metabólico, as matrizes A definidas na Tabela 5.1. Tabela 5.2 Expressões de cálculo dos coeficientes de rendimento Regime Respiro-fermentativo e Regime respirativo k1 k5 k7 θ6/(θ1θ6 – θ2θ5) –θ5/(θ1θ6 – θ2θ5) (θ3θ6 – θ4θ5)/(θ1θ6 – θ2θ5) Regime Respiro-fermentativo Regime respirativo k2 k3 k8 k4 k6 k9 1/θ1 θ5/θ1 θ3/θ1 –θ6/θ2 1/θ2 θ4/θ2 Dado que a respiração da glucose ocorre em ambos os regimes metabólicos, os coeficientes de rendimento associados à via oxidativa da glucose (k1, k5 e k7) terão naturalmente a mesma expressão de cálculo. 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 136 A planificação de experiências deve ser tal que durante a experiência ocorram os dois regimes metabólicos em dois períodos de duração semelhante, de forma a permitir o cálculo dos regressores em função do tempo. A validação da identificação é feita por comparação das estimativas de X, C e E calculadas através da equação (5.64), com os valores experimentais destas variáveis. Temse assim as equações seguintes ^ ^ ^ ^ ^ ^ X(t) = Zb1(t) + θ1φ1(t) + θ2φ2(t) (5.73) C(t) = Zb2(t) + θ3φ1(t) + θ4φ2(t) (5.74) E(t) = Zb3(t) + θ5φ1(t) + θ6φ2(t) (5.75) A matriz de informação de FISHER, calculada através de (5.30), é escrita como se segue: ⎡ nT 2 ⎢ ∑ φ1 ( ti ) i =1 FI = ⎢ n T ⎢ ⎢ ∑ φ1 ( ti ) φ2 ( ti ) ⎣ i =1 ⎤ ∑ φ ( t )φ ( t )⎥ nT i =1 1 2 i nT ∑φ (t ) i =1 2 2 i i ⎥ ⎥ ⎥ ⎦ (5.76) 5.4.3 Resultados O modelo dinâmico do processo de produção de fermento de padeiro foi implementado num simulador (ver Apêndice A) de forma a disponibilizar dados pseudo experimentais (FEYO DE AZEVEDO et al., 1992). O simulador inclui uma rotina de integração para resolução de equações diferenciais através do algoritmo de RUNGE-KUTTA de 4ª/5ª ordem. A experiência de simulação foi executada com as seguintes condições iniciais: Tabela 5.3 Valores iniciais para a simulação X(0) g.L -1 0.1 S(0) g.L -1 0.30 E(0) g.L -1 0.0 O(0) g.L -1 0.002 C(0) g.L -1 0.010 V(0) L 2.0 As diferentes experiências foram simuladas com as seguintes condições: 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 137 • controlo da concentração de oxigénio dissolvido para um valor de referência -1 de 2 mg.L através da manipulação do arejamento (indirectamente através da variação da taxa de transferência de oxigénio); • a alimentação em substrato, para as fermentações semi-contínuas, está limitada à adição de 3 litros (volume máximo do reactor: 5 litros) -1 • a concentração em glucose na corrente de alimentação é igual a 15.0 g.L ; • todas as experiências são alimentadas com igual quantidade de substrato. Consequentemente, para a operação descontínua deverá considerar-se a -1 -1 concentração inicial de substrato igual a 0.3g.L + 3L×15g.L /2L = 22.8 -1 g.L . Para a operação contínua, o caudal de alimentação é calculado como sendo a razão entre 3 litros (adicionados em semi-contínuo) e o tempo de operação a considerar para o estudo. • o tempo de operação do reactor é o mesmo para todas as experiências; De modo a estudar o grau de informação considerou-se um tempo de operação de 20 horas, tendo-se executadas as seguintes simulações: Tabela 5.4 Condições de operação das diferentes experiências de simulação Simulação # Caudal F(t) Taxa de diluição -1 -1 [h ] D(t) [L.h ] Operação do reactor 1 0 0 Descontínua 2 0.15 0.15/(0.15t + 2) Semi-contínua, F const. 3 0.09163exp(0.0458t) 0.0458 Semi-contínua, D const. 4 0.15exp(9.12×10 t) 0.15exp ( 9.12 × 10−3 t ) Semi-contínua, F expon. 5 igual à simulação 4 igual à simulação 4 Semi-contínua, F expon. -1 com E(0)=0.5 g.L 6 0.10 + 0.005t 0.10 + 0.005t 2 + 0.10t + 0.0025t 2 Semi-contínua, F linear 7 0.15 0.075 Contínua -3 2 + 16.45 ⎡⎣ exp ( 9.12 × 10−3 t ) − 1⎤⎦ A utilização da abordagem que utiliza modelos parciais implica a ocorrência dos dois regimes metabólicos em dois períodos distintos, de forma a permitir o cálculo dos regressores para cada um dos períodos. Estando assegurada a adição de quantidades iguais de substrato não é, no entanto, possível configurar experiências com duração idêntica para cada um desses períodos. Todas as simulações tinham um primeiro período em regime respiro-fermentativo seguido de regime respirativo. Verificou-se que o início do segundo período ocorreu em instantes diferentes. Estas considerações não se aplicam à situação de utilização do modelo global. 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 138 Considera-se o cálculo do determinante da matriz de informação de FISHER para medição da riqueza informativa em cada simulação. Pretende maximizar-se o valor do determinante (optimalidade D). A Figura 5.2 compara o teor informativo de cada experiência para as situações de utilização do modelo global e utilização dos modelos parciais. 1.0E+05 1.0E-01 7 - contínuo 6 - F linear 4 - F exponencial 1.0E+00 3 - D constante det(Fi) 1.0E+01 2 - F constante 1.0E+02 5 - Igual a 4 com E(0)=0.5 1.0E+03 Regime Respiro-fermentativo Regime Respirativo Modelo Global 1 - descontínuo 1.0E+04 1.0E-02 1.0E-03 1.0E-04 1.0E-05 Figura 5.2 Conteúdo informativo medido em termos de optimalidade D para várias experiências A utilização do modelo global demonstra um desempenho pobre face à alternativa de uso dos modelos parciais. Os coeficientes de rendimento calculados apresentam valores substancialmente diferentes dos pseudo reais: na melhor situação (operação descontínua) obtém-se um erro médio relativo de 50%. Os valores do determinante da matriz de informação são muito inferiores aos valores obtidos com a abordagem que utiliza os modelos parciais. No seguimento serão mostrados alguns resultados para esta última abordagem. Foram testados quatro variedades de perfis de alimentação para a operação semicontínua. A alimentação com caudal exponencial apresenta um índice ligeiramente superior às outras hipóteses testadas. A presença de etanol no início da experiência não melhora a riqueza informativa. A operação contínua dá indicação de permitir obter informação com uma “riqueza” ligeiramente superior à operação semi-contínua. 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 139 O facto dos valores do determinante para o regime respirativo serem sempre superiores aos do regime respiro-fermentativo não significa que a identificação seja mais informativa para este regime. A Tabela 5.5 apresenta, para o período respiro-fermentativo, os coeficientes de rendimento calculados e o erro médio relativo. Verifica-se que, com excepção da operação descontínua, o erro médio é baixo. Tabela 5.5 Valores calculados de coeficientes de rendimento para o período respiro-fermentativo Simulação k1 k2 k3 k5 k7 k8 Erro médio relativo (%) 1 2.20 15.1 7.12 1.01 1.27 7.17 17.5 2 2.04 19.9 9.58 0.835 1.23 9.28 0.25 3 2.04 19.9 9.59 0.834 1.23 9.29 0.17 4 2.04 19.9 9.58 0.835 1.23 9.29 0.23 5 2.04 19.9 9.58 0.835 1.23 9.28 0.24 6 2.04 20.0 9.59 0.835 1.23 9.29 0.17 7 2.04 20.0 9.59 0.834 1.23 9.28 0.16 “Real” 2.04 20.0 9.62 0.833 1.23 9.26 - Não se consegue um comportamento semelhante para o período respirativo, conforme é mostrado na Tabela 5.6. Os valores calculados apresentam diferenças significativas relativamente ao esperado. O erro médio relativo é da ordem dos 17%. Tabela 5.6 Valores calculados de coeficientes de rendimento para o período respirativo Simulação k1 k4 k5 k6 k7 k9 Erro médio relativo (%) 1 2.42 1.39 1.24 1.55 1.81 0.903 19.2 2 2.17 1.23 0.973 1.22 1.43 0.590 17.7 3 2.13 1.20 0.934 1.16 1.37 0.533 17.9 4 2.17 1.24 0.976 1.23 1.43 0.602 17.4 5 2.18 1.25 0.984 1.26 1.44 0.627 16.9 6 2.14 1.21 0.942 1.18 1.39 0.549 17.8 7 2.14 1.21 0.938 1.18 1.34 0.548 17.6 “Real” 2.04 1.39 0.833 1.55 1.23 0.903 - A interpretação geométrica dos erros associados à identificação para as várias simulações é elaborada através do traçado das elipses de desvios dos parâmetros θi. A Figura 5.3 apresenta as elipses para os dois problemas de regressão na abordagem de 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 140 modelos parciais. Na parte (a) da figura optou-se por não traçar a elipse correspondente à operação descontínua, dado que essa elipse apresentaria um desvio muito grande (–5 a 5 para ordenadas e -0.4 a 0.4 para abcissas), reduzindo as outras elipses quase a um ponto. Inversamente, a simulação 1 apresenta a menor elipse para a situação respirativa (por limitação gráfica, surgem duas elipses com traço contínuo). 0.5 (a) Simul. 2 Simul. 3 Simul. 4 Simul. 6 0 Simul. 7 -0.5 -0.08 0.2 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 (b) Simul. 1 Simul. 2 Simul. 3 Simul. 4 Simul. 6 Simul. 7 0.1 0 -0.1 -0.2 -0.04 -0.02 0 0.02 0.04 Figura 5.3 Elipses de desvios dos parâmetros θi para os períodos de funcionamento em regime respiro-fermentativo (a) e em regime respirativo (b) para o problema de identificação através de modelos parciais Na Figura 5.4 mostra-se a experiência de simulação nº 4, com perfil exponencial de alimentação. Os valores gerados pelo simulador foram corrompidos com ruído, de forma a obter-se pseudo medições dessas variáveis. Exemplificando para o caso da biomassa, a pseudo medida, Xm, é obtida como se segue: Xm(t) ≡ X(t) + e(t) = X(t)[1 + w(t)] (5.77) em que e(t) representa o erro da medição calculado através de ruído branco não correlacionado de média nula (E{w(t)} = 0). Considerou-se para todas as variáveis 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 141 “medidas” um desvio padrão de 10%. 100% X=4.356, E=1.926, C=0.08396 [g/L] OTR, CTR [g/(l.h)] X(t) E(t) O(t), S(t) [%] 80 60 40 20 0 0 5 10 Tempo [h] 80 40 0.4 OTR 0.2 5 10 Tempo [h] 15 O(t) 0 0 15 CTR S(t) 60 (c) 0.6 (b) 20 C(t) 0.8 0 0 100% S=1.505, O=0.010, C=0.08396 [g/L] 100 5 10 Tempo [h] 15 (d) F(t) [L/h], D(t) [1/h] X(t), E(t), C(t) [%] 100 (a) 0.15 F(t) 0.1 0.05 0 0 D(t) 5 10 Tempo [h] 15 Figura 5.4 Experiência de identificação com perfil de alimentação exponencial (Simulação 4). (a) perfis de biomassa, etanol e dióxido de carbono (traço - valores “reais”, pontos - validação); (b) perfis de glucose e oxigénio; (c) taxas de transferência de oxigénio e de dióxido de carbono; (d) perfil de alimentação: caudal e taxa de diluição Para ilustrar a validação da identificação comparam-se os valores “reais” com os valores estimados para a biomassa (5.73), o dióxido de carbono dissolvido (5.74) e para o etanol (5.75). Enquanto que para a biomassa e o etanol a validação é excelente, tal não acontece para o dióxido de carbono, especialmente durante a operação em regime respirativo. O período de funcionamento em regime respirativo começa cerca da oitava hora de operação, conforme é evidenciado na Figura 5.5. Nesta figura são apresentados os perfis dos dois regressores e os perfis das taxas específicas de crescimento. A partir das 14 horas nota-se uma certa proporcionalidade entre os dois regressores o que poderá ser uma causa para um condicionamento numérico deficiente da matriz de informação. 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 142 Taxas esp. cresc. [1/h] 0.3 (a) 0.2 0.1 0 0 2 4 6 Regressores [%] 100 (b) 8 RF 10 Tempo [h] 12 14 16 18 R 80 60 40 20 Za2-C (100%: 4.031 g/L) Za1-S (100%: 9.095 g/L) 0 0 2 4 6 8 10 Tempo [h] 12 14 16 18 Figura 5.5 Perfis de taxas específicas de crescimento (a) e perfis dos regressores (b) De modo a analisar a influência da concentração de glucose na alimentação e do tempo de operação da fermentação, fizeram-se várias simulações a diferentes concentrações de Se e para vários tempos de operação. Estudaram-se as três modalidades de operação do fermentador, tendo-se optado por usar uma alimentação exponencial para a situação semicontínua. A Figura 5.6 apresenta os resultados para o período respiro-fermentativo. Pode concluir-se que a riqueza informativa aumenta com Se e que um maior tempo de operação não implica necessariamente mais informação. Para a situação de 10 horas de operação contínua verifica-se uma diminuição da riqueza informativa à medida que se aumenta a concentração Se. 5.4 IDENTIFICAÇÃO NA PRODUÇÃO DE FERMENTO DE PADEIRO 143 1E+02 1E+01 1E+00 det(Fi) 1E-01 10 h (F exponen.) 12 h (F exponen.) 15 h (F exponen.) 18 h (F exponen.) Descontínuo 10 h (contínuo) 12 h (contínuo) 15 h (contínuo) 20 h (contínuo) 1E-02 1E-03 1E-04 1E-05 1E-06 5 10 15 20 25 Se [g/L] Figura 5.6 Efeito da concentração de glucose na alimentação e do tempo de operação no grau de riqueza informativo para o período respiro-fermentativo A Figura 5.7 apresenta os resultados para o período respirativo. As omissões na figura são explicadas pelo facto de não se ter verificado a ocorrência do período respirativo. Verifica-se o aumento da riqueza informativa à medida que se aumenta Se e um maior tempo de operação implica uma maior riqueza. 1.E+06 Descontínuo 12 h (F exponen.) 1.E+05 18 h (F exponen.) 15 h (Contínuo) 20 h (Contínuo) det(Fi) 1.E+04 1.E+03 1.E+02 1.E+01 1.E+00 1.E-01 5 10 15 20 25 Se [g/L] Figura 5.7 Efeito da concentração de glucose na alimentação e do tempo de operação no grau de riqueza informativo para o período respirativo 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 144 O mérito desta técnica é a possibilidade de examinar várias escolhas ad hoc para o projecto de trajectórias de entradas antes de se avançar para a realização de experiências. Esta vantagem é particularmente importante para a optimização de experiências em processos com tempos de operação da ordem de um mês (por exemplo, culturas de células vegetais) ou mesmo vários meses (caso dos processos de digestão anaeróbia), podendo poupar-se dinheiro e tempo. Seria interessante implementar uma abordagem algorítmica para calcular as trajectórias óptimas de entrada. POSTEN e MUNACK (1990) mostraram que o algoritmo conjugado do gradiente permite resolver o problema de optimização a expensas de um intenso poder computacional utilizando super-computadores. 5.5 Identificação na fermentação etanólica 5.5.1 Projecto do regressor O problema que se coloca nesta parte é o da identificação dos coeficientes de rendimento para o modelo da fermentação etanólica estabelecido em § 4.7 e que se apresenta novamente: ⎡X ⎤ ⎡ 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎢ S ⎥ ⎢ −k ⎥ ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ d ⎢ ⎥ ⎢ 1⎥ ⎥ = µX − D⎢ ⎥+ ⎢ e⎥ −⎢ ⎢E⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ dt ⎢ E ⎥ ⎢ k2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ C ⎦ ⎢⎣ k3 ⎥⎦ ⎣ C ⎦ ⎣ 0 ⎦ ⎣CTR ⎦ (4.74)=(5.78) Define-se uma partição do vector de estado em duas partes ξa, ξb como se segue ξa = X, ξTb = [S E C]. Neste caso simples a matriz de permutação de linhas é dada pela matriz identidade, isto é, L = I4. As partições induzidas em K, F e Q são as seguintes: Ka = 1, T Kb = [–k1 k2 k3] (Fa – Qa) = 0, (Fb – Qb)T = [DSe 0 –CTR] (5.79) (5.80) Fazendo a transformação de estado (Z ≡ Aξa + ξb) introduzida pela equação (5.7), em T que a matriz A = [k1 –k2 –k3], obtém-se: 5.5 IDENTIFICAÇÃO NA FERMENTAÇÃO ETANÓLICA ⎡ Z1 ⎤ ⎡ S + k1 X ⎤ Z = ⎢⎢ Z 2 ⎥⎥ = ⎢⎢ E − k2 X ⎥⎥ ⎢⎣ Z 3 ⎥⎦ ⎢⎣ C − k3 X ⎥⎦ 145 (5.81) com a correspondente dinâmica: ⎡ Z1 ⎤ ⎡ Z1 ⎤ ⎡ DSe ⎤ dZ d ⎢ ⎥ Z 2 = − D ⎢⎢ Z 2 ⎥⎥ + ⎢⎢ 0 ⎥⎥ = dt dt ⎢ ⎥ ⎢⎣ Z 3 ⎥⎦ ⎢⎣ Z 3 ⎥⎦ ⎢⎣ −CTR ⎥⎦ (5.82) A dinâmica do vector Z é, neste caso, independente da matriz A, logo independente dos coeficientes de rendimento. Tal acontece pelo facto de (Fa – Qa) ser nulo. Neste caso não há necessidade de recurso ao modelo auxiliar. Reescrevendo a equação (5.81) na seguinte forma ⎡ Z1 − S ⎤ ⎡ k1 ⎤ ⎢ Z − E ⎥ = ⎢ −k ⎥ X ⎢ 2 ⎥ ⎢ 2⎥ ⎢⎣ Z 3 − C ⎥⎦ ⎢⎣ − k3 ⎥⎦ (5.83) e considerando que as experiências decorreram principalmente em modo descontínuo com as dinâmicas de Z1 e Z2 simplificadas pelas seguintes relações: Z1(t) = Z1(0), Z2(t) = Z2(0) (5.84) e com Z3 dado por: Z 3 ( t ) = ∫ CTR ( t ) dt t (5.85) 0 Ignorando a dinâmica do dióxido de carbono dissolvido (utilização do modelo reduzido) e usando as definições do vector Z (5.81) é possível escrever Z1(0) = S(0) + k1X(0), Z2(0) = E(0) – k2X(0) (5.86) transformando o problema de identificação dos coeficientes de rendimento k1 e k2 nas seguintes equações de uma regressão linear: [S(0) – S(t)] = k1[X(t) – X(0)] (5.87) [E(t) – E(0)] = k2[X(t) – X(0)] (5.88) 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 146 Estas equações de regressão poderiam ter sido obtidos de um modo mais simples, dispensando todo este formalismo. Usando a redução da ordem do modelo (aproximação introduzida em § 4.5.3) traduzida pela equação algébrica (4.79) e partindo do modelo para operação em descontínuo: • X = µX (5.89) • S = –k1µX (5.90) • E = k2µX (5.91) substituindo (5.89) nas restantes duas equações e integrando chegava-se de imediato às equações da regressão. O coeficiente k3 é obtido de modo semelhante, pois • CTR = k3µX = k3X (5.92) cuja integração conduz à seguinte fórmula de regressão: ∫ CTR ( t ) dt = k t o 3 ⎡⎣ X ( t ) − X ( 0 ) ⎤⎦ (5.93) 5.5.2 Resultados 5.5.2.1 Identificação experimental A experiência (cujo nome é EXP_08) foi conduzida em modo descontínuo com excepção de dois momentos de adição de açúcar (8 litros de solução) após detecção do seu consumo total. A concentração dessa solução era calculada para que o volume total de meio após a -1 adição atingisse uma concentração de 50 mmole.L . Durante o período de amostragem (5 minutos) coincidente com a alimentação, a fermentação decorria em modo semi-contínuo. A Figura 5.8 apresenta a taxa de diluição (a) e a variação do volume (b) ao longo do tempo da experiência. As três zonas de fermentação descontínua, identificados pela notação I, II e III, permitem dividir o problema de identificação em igual número de subproblemas. Para o cálculo do regressores é necessário conhecer os valores de todas as variáveis de 5.5 IDENTIFICAÇÃO NA FERMENTAÇÃO ETANÓLICA 147 estado nos mesmos instantes de tempo. Para as variáveis medidas em diferido (tempos de amostragem de 2 a 2.5 horas) é feita interpolação linear entre cada par de valores de modo a gerar dados nos tempos correspondentes às amostragens em linha (cada cinco minutos). Na Figura 5.9 mostram-se os perfis de concentração para a glucose (a) e etanol (b) reconstruídos a partir de dados em diferido. Na mesma figura apresenta-se a turbidez da suspensão, usada como dado inferidor da concentração de biomassa (c). D(t) [1/h] 2 (a) 1.5 1 0.5 0 0 5 10 15 20 25 Tempo [h] 30 55 V(t) [L] 50 35 40 III. (b) 45 II. 40 I. 35 30 0 5 10 15 20 25 Tempo [h] 30 35 Figura 5.8 Taxa de diluição e volume de reactor 40 148 60 40 (a) 20 valores medidos valores interpolados Etanol [mmole/l] 0 0 200 Biomassa [NTU] Glucose [mmole/l] 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 600 5 10 15 20 25 Tempo [h] 30 35 40 45 20 25 Tempo [h] 30 35 40 45 20 25 Tempo [h] 30 35 40 45 (b) valores medidos valores interpolados 100 0 0 400 5 10 15 (c) valores medidos em linha 200 0 0 5 10 15 Figura 5.9 Perfis de concentração de glucose, etanol e biomassa A medição do caudal volumétrico de gás e a concentração de dióxido de carbono em fase gasosa permitem calcular o caudal volumétrico de dióxido de carbono à saída do reactor (Figura 5.10a). Note-se que estes dados em bruto apresentam muito ruído por terem resultado do produto do caudal volumétrico pela composição em dióxido de carbono que é uma medida com muito ruído. O caudal volumétrico é filtrado através de uma média móvel de grau 9 (Figura 5.10b). A taxa de transferência molar de dióxido de carbono (CTR) a 35 °C é calculada a partir da equação (4.48) adaptada para usar caudal volumétrico: ⎛ L ⎞ 1 mmole 273.16 K s QCO × s ⎟ 2 ⎜ 39.57 QCO h ⎠ 0.0224 L 308.16 K ⎝ 2 = CTR = V ( L) V ( mmole.L .h ) -1 −1 Os valores calculados de CTR são apresentados na Figura 5.10c. (5.94) QCO2 [l/h] 5.5 IDENTIFICAÇÃO NA FERMENTAÇÃO ETANÓLICA 10 (a) 5 QCO2 [l/h] 0 0 10 5 10 15 20 25 Tempo [h] 30 35 40 45 5 10 15 20 25 Tempo [h] 30 35 40 45 5 10 15 20 25 Tempo [h] 30 35 40 45 (b) 5 0 0 CTR [mmole/l/h] 149 10 (c) 5 0 0 Figura 5.10 Caudal volumétrico de dióxido de carbono à saída do reactor: (a) dados em bruto, (b) dados filtrados. Taxa de transferência de dióxido de carbono (c) O integral da fórmula de regressão (5.93) é calculado pela seguinte aproximação: ⎡ ⎤ ∫ CTR ( t ) dt ≅ ⎢⎣∑ CTR ⎥⎦T t o k (5.95) k com T período ou tempo de amostragem (5/60 h) e k = 0, 1, 2,… índice que designa o instante t = kT. A representação gráfica dos ajustes lineares das três fórmulas de regressão para cálculo de k1, k2 e k3 juntamente com os dados experimentais, conduz à figura seguinte: Int(CTR(t)) [mmole/l] E(t)-Eo [mmole/l] So-S(t) [mmole/l] 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 60 150 I. (a) 40 III. II. 20 0 0 100 50 100 150 X(t)-Xo 200 [NTU] 300 II. III. 0 0 350 I. (b) 50 50 100 150 X(t)-Xo 200 [NTU] 100 250 300 I. (c) 50 100 150 X(t)-Xo 200 [NTU] 350 II. III. 50 0 0 250 250 300 350 Figura 5.11 Ajuste das equações de regressão de cálculo dos coeficientes de rendimento Para cada equação de regressão são apresentadas as três zonas de operação descontínua do reactor. Os declives das linhas foram obtidos com auxílio de “ferramentas” do programa MATLAB (MATHWORKS, 1993) e encontram-se na tabela seguinte. -1 -1 Tabela 5.7 Coeficientes de Rendimento (mmol.L .NTU ) Zona k1 k2 k3 I 0.24 0.39 0.37 II 0.12 0.22 0.25 III 0.18 0.29 0.35 Média 0.18 ± 0.06 0.30 ± 0.08 0.32 ± 0.06 Verifica-se uma certa variação dos valores de coeficiente de rendimento o que está de acordo com o relato de vários autores (por exemplo: ANDREWS, 1993 e HONG, 1989) que referem a não constância dos rendimentos ao longo de uma fermentação. 5.5.2.2 Validação experimental Pretendendo validar-se a identificação realizada, optou-se pela utilização do valor 5.5 IDENTIFICAÇÃO NA FERMENTAÇÃO ETANÓLICA 151 médio entre os valores para cada uma das zonas e fez-se a sua aplicação a outra experiência (EXP_06). A Figura 5.12 apresenta a taxa de diluição (a) e a variação do volume (b) ao longo do tempo da experiência. D(t) [1/h] 2 (a) 1.5 1 0.5 0 0 10 20 30 Tempo [h] 40 50 IV V(t) [L] 60 (b) III 50 II 40 30 0 I 10 20 30 Tempo [h] 40 50 Figura 5.12 Taxa de diluição e volume de reactor Utilizando o modelo reduzido proveniente de (5.78) com a substitução do termo µX por CTR/k3 (resultante de (5.92)) pode estimar-se as concentrações de X, E e S como se segue ⎡ Xˆ ⎤ ⎡ 1 ⎤ ⎡ Xˆ ⎤ ⎡ 0 ⎤ ⎢ ⎥ d ˆ ⎢ ⎥ CTR − D ⎢ Sˆ ⎥ + ⎢ DS ⎥ ⎢ S ⎥ = ⎢ −k1 ⎥ ⎢ ⎥ ⎢ e⎥ dt ⎢ ⎥ k3 ⎢ ˆ⎥ ⎢ 0 ⎥ ˆ ⎢k ⎥ ⎦ ⎣⎢ E ⎦⎥ ⎣ 2 ⎦ ⎣⎢ E ⎦⎥ ⎣ (5.96) Para estimar as três concentrações basta apenas conhecer os valores iniciais das três variáveis de estado e integrar o sistema conhecendo-se a evolução de CTR, D e DSe. As equações diferenciais foram integradas usando a discretização de EULER: ^ ^ ^ Xk+1 = Xk + T(CTR/k3 – DkXk) (5.97) 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS ^ ^ ^ ^ 152 ^ Sk+1 = Sk + T(–k1CTR/k3 + DkSe – DkSk) (5.98) ^ Ek+1 = Ek + T(k2CTR/k3 – DkEk) (5.99) Os valores em bruto e filtrados do caudal volumétrico de dióxido de carbono e os valores calculados de CTR são apresentados na figura seguinte. QCO2 [l/h] 10 (a) 5 0 0 10 20 30 Tempo [h] 40 50 60 10 20 30 Tempo [h] 40 50 60 10 20 30 Tempo [h] 40 50 60 QCO2 [l/h] 10 (b) 5 CTR [mmole/l/h] 0 0 10 (c) 5 0 0 Figura 5.13 Caudal volumétrico de dióxido de carbono à saída do reactor: (a) dados em bruto, (b) dados filtrados. Taxa de transferência de dióxido de carbono (c) Os valores estimados de glucose, etanol e biomassa são apresentados na Figura 5.14. A utilização de um valor médio de coeficiente de rendimento mostra-se adequada para as dinâmicas de glucose e etanol. Para a estimação da “concentração” de biomassa, verificase uma degradação ao longo do tempo da convergência entre a estimativa e os valores medidos em linha. O afastamento é particularmente notório na fase IV da experiência. Durante esta fase verifica-se uma diminuição da turbidez da suspensão (equivalente à diminuição da concentração de biomassa) que pode ser explicada pela ocorrência do fenómeno da manutenção das células devido ao seu metabolismo endógeno que pode conduzir ao decaimento ou morte celular. Como estes fenómenos não foram incluídos no 5.6 IDENTIFICAÇÃO NA SÍNTESE ENZIMÁTICA DE AMPICILINA 153 modelo dinâmico, necessariamente que a estimação falha porque é baseada num modelo E(t) [mmole/l] S(t) [mmole/l] inadequado para esta fase da fermentação. (a) 60 40 20 0 0 200 10 20 30 Tempo [h] 40 50 60 40 50 60 40 50 60 (b) valores medidos em diferido valores estimados 100 0 0 600 X(t) [NTU] valores medidos em diferido valores estimados 400 10 (c) 20 30 Tempo [h] valores medidos em linha valores estimados 200 0 0 10 20 30 Tempo [h] Figura 5.14 Validação experimental da identificação dos coeficientes de rendimento 5.6 Identificação na síntese enzimática de ampicilina Considerações estequiométricas sobre o mecanismo a três reacções para a síntese enzimática de ampicilina permitem, neste caso, obter os valores dos respectivos coeficientes de rendimento. A estequiometria da reacção de síntese (ver Figura 2.6) conduz ao seguinte enunciado: 1 mole de 6-APA reage com 1 mole de MFG originando 1 mole de ampicilina e 1 mole de metanol. Na hidrólise de 1 mole de MFG há a produção de 1 mole de FG e 1 mole de metanol. A hidrólise da ampicilina origina 1 mole de 6-APA e 1 mole de FG. Deste modo pode considerar-se que todos os coeficientes são unitários: 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 154 Tabela 5.8 Coeficientes de rendimento k1 k2 k3 k4 k5 k6 k7 1.0 1.0 1.0 1.0 1.0 1.0 1.0 Com estes valores de coeficientes de rendimento a matriz K não apresenta característica completa dado que a sua característica vale 2 (e não 3). Tal significa que uma das reacções é linearmente dependente das outras duas. Este facto pode verificar-se através do esquema reaccional: ϕ1: S1 + S2 → P2 + P3 (5.100) ϕ2: S2 → P1 + P3 (5.101) ϕ3: P2 → P1 + S1 (5.102) em que é visível que se pode escrever ϕ3 = ϕ2 – ϕ1. Com esta dependência o modelo estabelecido em § 4.8 é reescrito como se segue: Modelo dinâmico para a síntese enzimática de ampicilina ⎡ S1 ⎤ ⎡( k2 − k1 ) ⎢S ⎥ ⎢ 2⎥ ⎢ −1 ⎢ d ⎢ P1 ⎥ = ⎢ k4 dt ⎢ ⎥ ⎢ ⎢ P2 ⎥ ⎢ ( k5 − 1) ⎢⎣ P3 ⎥⎦ ⎢⎣ k6 − k2 ⎤ ⎡ S1 ⎤ ⎡ F1 ⎤ ⎥ ⎢S ⎥ ⎢F ⎥ −1 ⎥ 2⎥ ⎢ ⎢ 2⎥ ⎡ϕ1 ⎤ ( k3 − k4 )⎥ ⎢ϕ ⎥ − D ⎢ P1 ⎥ + ⎢ F3 ⎥ ⎥⎣ 2⎦ ⎢ ⎥ ⎢ ⎥ 1 ⎥ ⎢ P2 ⎥ ⎢ 0 ⎥ ⎥ ⎢⎣ P3 ⎥⎦ ⎢⎣ 0 ⎥⎦ k7 ⎦ (5.103) 5.7 Síntese Neste capítulo foram apresentados algoritmos para identificação de coeficientes de rendimento em processos biotecnológicos através de medições completas do estado. Foram propostas estratégias de planificação experimental que visam a optimização da riqueza informativa da experiência, quantificada por índices relativos à matriz de informação de FISHER. O objectivo da planificação experimental foi endereçado em termos da programação de trajectórias de entradas. Na produção de fermento de padeiro procurou projectar-se experiências que conduzissem a um máximo de informação através da programação do caudal de alimentação em glucose. Esta abordagem tem o mérito de permitir estudar várias escolhas 5.8 BIBLIOGRAFIA 155 de trajectórias de alimentação antes de serem realizadas experiências. Os algoritmos de identificação dos coeficientes de rendimento tiveram aplicação real à fermentação etanólica, com cálculo de rendimentos em diferentes zonas de funcionamento em modo descontínuo. Considerou-se o valor médio que foi validado por estimação de variáveis de estado numa experiência diferente. No cálculo dos coeficientes de rendimento da síntese enzimática de ampicilina fizeramse simples considerações estequiométricas. As matrizes de coeficientes de rendimento calculadas neste capítulo constituem uma peça fundamental para a implementação de estratégias de monitorização avançada. O próximo capítulo utilizará estas matrizes para cálculo dos sensores por programação. 5.8 Bibliografia ANDERSEN, M.Y. Multivariable Identification for Control of a Continuous Yeast Fermentation, Dissertação de Doutoramento, Technical University of Denmark, Lyngby, 1990. ANDREWS, G.F. The Yield Equations in the Modeling and Control of Bioprocesses. Biotechnol. Bioeng., 42, 549-556, 1993. ÅSTRÖM, K.J., EYKHOFF, P., System Identification - A Survey, Automatica, 7, 123-162, 1971. BALTES, M., SCHWARZ, A., REUSS, M. Optimal Experimental Design for Identification of Parameters of Complex Structured Metabolic Models. 6th European Congress on Biotechnology (Abstract Books), Firenze, 1993. BALTES, M., SCHNEIDER, R., STURM, C., REUSS, M. Optimal Experimental Design for Parameter Estimation in Unstructured Growth Models. Biotechnol. Prog., 10, 480-488, 1994. BECK, M.B., YOUNG, P.C., An Introduction to System Identification, Parameter and State Estimation, Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 129-158, 1989. CHEN, L. Modelling, Identifiability and Control of Complex Biotechnological Systems Dissertação de Doutoramento, Université Catholique de Louvain, Louvain-la-Neuve, Bélgica, 1992. CHOUAKRI, N., FONTEIX, C., MARC, I., CORRIOU, J.P. Parameter Estimation of a Monod-Type Model. Part I: Theoretical Identifiability and Sensitivity Analysis. Biotechnol. Techniques, 8, 10, 683-688, 1994 CRAMÉR, H. Mathematical Methods of Statistics, Princeton Univ. Press, Princeton NJ, 1946. EJIOFOR, A.O., POSTEN, C., SOLOMON, B.O., DECKWER, W.-D. A Robust Fed-batch Feeding Strategy for Optimal Parameter Estimation for Baker's Yeast Production. Bioprocess Eng., 11, 135-144, 1994a. EJIOFOR, A.O., SOLOMON, B.O., POSTEN, C., DECKWER, W.-D. Analysis of the Respiro-Fermentative Growth of Saccharomyces cerevisiae on Glucose in a Fed-batch Fermentation Strategy for Accurate Parameter Estimation. Appl. Microbiol. Biotechnol., 41, 664-669, 1994b. ESPIE, D., MACCHIETTO, S., The Optimal Design of Dynamic Experiments, AIChE J., 35:2, 223-229, 1989. 5. MODELAÇÃO MATEMÁTICA - IDENTIFICAÇÃO DE MODELOS 156 FEYO DE AZEVEDO, S., PIMENTA, P., OLIVEIRA, F., FERREIRA, E.C. Studies on on-line State and Parameter Estimation through a Real-time Process Simulator. Modeling and Control of Biotechnical Processes 1992 (2nd IFAC Symp. and 5th Int. Conf. Computer Applications in Fermentation Technology, Keystone USA, M. NAZMUL KARIM, G. STEPHANOPOULOS, Eds.), Pergamon Press, Oxford, 453-458, 1992. FISHER, F. The Identification Problem in Econometrics, McGraw-Hill, New York, 1966. GLASSEY, J., MONTAGUE, G.A., WARD, A.C., KARA, B.V. Artificial Neural Network Based Experimental Design Procedures for Enhancing Fermentation Development, Biotechnol. Bioeng., 44, 397-405, 1994. GOODWIN, G.C. Identification: Experimental Design. Systems & Control Encyclopedia. Theory, Technology, Applications, (M.G. SINGH, Ed.), Vol. 4, Pergamon Press, Oxford, 2257-2264, 1987. GOODWIN, G.C., PAYNE, R.L. Design and Characterization of Optimal Test Signals for Linear Single InputSingle Output Parameter Estimation. Preprints 3rd IFAC Symp. Indentification and System Parameter Estimation, (P. EYKHOFF, Ed.), North-Holland Publ. Comp., Amsterdam, 1973. GOODWIN, G.C., PAYNE, R.L. Dynamic System Identification: Experimental Design and Data Analysis, Academic Press, New York, 1977. HOLMBERG, A., On the Accuracy of Estimating the Parameters of Models Containing Michaelis-Menten Type Nonlinearities, Modelling and Data Analysis in Biotechnology and Medical Engineering, (G.C. VANSTEEKISTE, P.C. YOUNG, Eds.), North-Holland Publ. Company, Amsterdam, 199-208, 1983. HOLMBERG, A., On the Practical Identifiability of Microbial Growth Models Incorporating MichaelisMenten Type Nonlinearities, Mathematical Biosciences, 62, 23-43, 1982. HONG, J. Yield Coefficients for Cell Mass and Production Formation. Biotechnol. Bioeng., 33, 506-507, 1989. ISERMANN, R., Practical Aspects of Process Identification, Automatica, 575-587, 1980. KO, K.Y.-J., MCINNIS, B.C., GOODWIN, G.C., Adaptive Control and Identification of the Dissolved Oxygen Process, Automatica, 18:6, 727-730, 1982. KOTOB, S., ALBRECHT, C., JURAIDAN, M., KAFEETY, H., Adaptive Bioreactor Identification Using Sensitivity of Process Stoichiometry, 10th IFAC World Congress on Automatic Control, Vol. 2, Munich, 344-349, 1987. LJUNG, L. System Identification: Theory for the User, Prentice Hall, Englewood Cliffs, 1987. MATHWORKS INC., (THE). User’s Guide, MatLab 4.2 for Windows, Natick MA, 1994. MEHRA, R.K. Synthesis of Optimal Inputs for Multiinput-Multioutput (MIMO) Systems with Process Noise. System Indentification, Advances and Case Studies, (R.K. MEHRA, D.G. LAINIOTIS, Eds.), Academic Press, New York, 1976. MUNACK, A. Optimal Feeding Strategy for Identification of Monod-Type Models by Fed-batch Experiments, Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 195-204, 1989. MUNACK, A. Optimization of Sampling. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap. 7, 250-264, 1991. MUNACK, A., POSTEN, C. Design of Optimal Dynamical Experiments for Parameter Estimation. Preprints of American Control Conference, Pittsburgh, 2010-2016, 1989. NIHTILÄ, M., VIRKKUNEN, J., Pratical Identifiability of Growth and Substrate Consumption Models. Biotechnol. Bioeng., 19, 1831-1850, 1977. POLAKOVIC, M., BÁLEŠ, V., DLUHÝ, M., ŠTEFUCA, V. Optimization of a Packed Bed Bioreactor with Immobilized Cells using Experimental Design. Bioprocess Eng., 44, 397-405, 1994. POSTEN, C., MUNACK, A. Improved Modelling of Plant Cell Suspension Cultures by Optimum Experimental Design. Preprints 11th IFAC World Congress on Automatic Control, Tallin, Vol. 11, 268-273, 1990. 5.8 BIBLIOGRAFIA 157 RAO, C.R. Linear Statistical Inference and its Applications, John Wiley & Sons, New York, 1965. SAN, K.-Y., STEPHANOPOULOS, G., Studies on On-line Bioreactor Identification. II. Numerical and Experimental Results. Biotechnol. Bioeng., 26, 1189-1197, 1984. SHIRT, R.W., HARRIS, T.J., BACON, D.W. Experimental Design Considerations for Dynamic Systems. Ind. Eng. Chem. Res., 33, 2656-2667, 1994. SÖDERSTRÖM, T., STOICA, P. System Identification, Prentice-Hall, New York, 1989. STEPHANOPOULOS, G., SAN, K.-Y., Studies on On-line Bioreactor Identification. I. Theory. Biotechnol. Bioeng., 26, 1176-1188, 1984. VIALAS, C., CHERUY, A., GENTIL, S. An Experimental Approach to Improve the Monod Model Identification. Modelling and Control of Biotechnological Processes (Proc. 1st IFAC Symp., Noordwijkerhout, The Netherlands 1985, A. JOHNSON, Ed.), Pergamon Press, Oxford, 175-180, 1986. WALTER, E., PRONZATO, L. Qualitative and Quantitative Experimental Design for Phenomenological Models - A Survey. Automatica, 26, 195-213, 1990. WU, W.-T., JANG, W.-D., WU, S.-C., On-line Control for Cultivation of Saccharomyces cerevisiae via Weighted Moving Identification. Chem. Eng. J., 36, B1-B6, 1987. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA EUGÉNIO C. FERREIRA FEUP 1995 6. Monitorização Avançada os Sensores por Programação “We ought to regard the state of the universe as the effect of its antecedent state and the cause of the state that is to follow” LAPLACE, SÉC. XVIII Sumário É objectivo deste capítulo o desenvolvimento de sensores por programação para estimação de estados e de parâmetros (taxas de reacção) em processos biotecnológicos. São apresentados algoritmos para a estimação de variáveis de estado não mensuráveis em linha, através de um observador assimptótico que utiliza as variáveis medidas em linha. São desenvolvidos estimadores de taxas de reacção, especialmente das taxas específicas de crescimento. É proposta uma alternativa de sintonização dos ganhos que conduz a uma dinâmica de resposta de 2ª ordem. Os sensores por programação são validados por simulação e em experiências reais para os processos em estudo. Para o fermento de padeiro estimam-se as concentrações de etanol, biomassa e glucose com base em medições de oxigénio e dióxido de carbono dissolvidos e em fase gasosa. São estimadas as três taxas específicas de crescimento através de um estimador de dinâmica de resposta de 2ª ordem e com um estimador baseado no observador. No caso da fermentação etanólica é proposto um estimador da taxa específica de crescimento que não necessita do conhecimento dos coeficientes de rendimento. As estimativas da taxa específica de crescimento permitem estimar em linha as concentrações de biomassa e glucose. A estimação desta última permite detectar os instantes do seu consumo total. Para a síntese enzimática de ampicilina são estimadas as concentrações de ampicilina, metilfenilglicina e metanol por via da medição das concentrações de fenilglicina e ácido 6-aminopenicilânico. São também estimadas as taxas específicas de reacção e a partir destas calculam-se as velocidades de reacção. 6.1 INTRODUÇÃO 6.2 OBSERVADORES DE ESTADOS 6.3 ESTIMADORES DE CINÉTICA 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 6.5 ESTIMADORES E OBSERVADORES PARA A FERMENTAÇÃO ETANÓLICA 6.6 ESTIMADORES E OBSERVADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 6.7 SÍNTESE 6.8 BIBLIOGRAFIA 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 160 6.1 Introdução A maior parte das estratégias de controlo nas indústrias fermentativas são baseadas na utilização de informação obtida através de ensaios em diferido. Tal decorre da necessidade de remoção de amostras do fermentador, da análise laboratorial e finalmente da acção do operador (ou sistema de controlo) de modo a corrigir alguma condição indesejada no processo. Uma alternativa avançada da monitorização de processos biotecnológicos consiste na incorporação em linha de medições em modelos e em algoritmos de estimação, que forneçam informação não directamente mensurável. A motivação para a aplicação de técnicas de estimação surge com a inexistência, custo proibitivo ou inadequação de sensores para a medição em linha das principais variáveis de estado (CARLEYSMITH, 1986; SONNLEITNER, 1991). É objectivo deste capítulo o desenvolvimento de algoritmos para estimação de estados e de parâmetros (taxas de reacção) em processos biotecnológicos. Os algoritmos de estimação de estados baseados em modelos são normalmente designados por observadores e os algoritmos de estimação de parâmetros, não tendo nenhuma designação comummente aceite, poderão ser designados por estimadores. Estes algoritmos são também denominados por filtros, em que a estimação pode ser vista como a extracção de um sinal puro a partir de sinais com ruído. A implementação informática destes dois tipos de algoritmos para a sua utilização em linha tem sido genericamente designada em inglês por software sensors (em francês: capteurs logiciels). Anteriormente, tomava a designação de gateway sensors (HUMPHREY, 1974). A nossa proposta em língua Portuguesa será sensores por programação. Sensor por Programação Processo Sensor Estimador Estimativa em linha Figura 6.1 Sensores por programação Na Teoria de Sistemas, os trabalhos clássicos de KALMAN (1960) e LUENBERGER (1964) são normalmente apontados como referências importantes no desenvolvimento de algoritmos de estimação. Os filtros de Kalman são projectados de modo a minimizar, no 6.1 INTRODUÇÃO 161 resultado calculado, os efeitos dos ruídos na medição e os erros do modelo (JAZWINSKI, 1970). O observador de LUENBERGER é projectado para que o erro de observação conduza a um ponto de equilíbrio (ε = 0) de estabilidade assimptótica. O observador de LUENBERGER (tal como o filtro de KALMAN) é normalmente derivado a partir do modelo linearizado em torno de um ponto de equilíbrio. Deste modo as propriedades de convergência e de estabilidade são aplicadas localmente em torno desse ponto. A Figura 6.2 representa genericamente um diagrama de fluxo de um estimador do tipo observador de LUENBERGER. variáveis manipuladas Processo Variáveis ariáveis de estado Sensores Variáveis ariáveis medidas Retroacção + - Modelo dos sensores Estimador Modelo do processo Estimativas Figura 6.2 Esquema geral de um estimador - observador Uma das primeiras aplicações de observadores em Biotecnologia é devida a SVRCEK et al. (1974) recorrendo a um filtro de KALMAN. Estes filtros, apresentando a desvantagem de serem específicos para um dado processo, têm constituído a principal metodologia no desenvolvimento de observadores de estado em processos de fermentação (TARBUCK et al., 1986; MONTGOMERY e WILLIAMS, 1988; NÁHLIK e BURIANEC, 1988; DUBACH e MARKL, 1992; HILALY et al., 1992; SARGANTANIS e KARIM, 1994). Outros trabalhos pioneiros de aplicação de algoritmos de estimação em Biotecnologia incluem WILLIAMSON (1977), ZABRISKIE e HUMPHREY (1978) e ABORHEY e WILLIAMSON (1978). A partir da década de 80 assistiu-se a um grande aumento de publicações relativas à estimação de estados, sendo a maior parte contribuições teóricas por simulação de processos (HOLMBERG e RANTA, 1982; GALLEGOS e GALLEGOS, 1984; DOCHAIN e BASTIN, 1986; 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 162 ATROUNE et al., 1988; BASTIN, 1988; BULSARI e SAXÉN 1994). Só recentemente apareceram as primeiras aplicações reais na indústria (DOCHAIN et al., 1989; SIMUTIS et al., 1992a; LANT et al., 1993). As referências STEPHANOPOULOS e SAN (1984), BECK e YOUNG (1989) e CHATTAWAY et al. (1993) constituem exemplos de artigos tutoriais sobre a estimação em biotecnologia. Os poucos trabalhos de revisão sobre a literatura de estimação em biotecnologia são devidos a LEIGH et al. (1988), VAN DER HEIJDEN et al. (1989), STEPHANOPOULOS e PARK (1991) e MONTAGUE et al. (1992). Começaram a surgir ultimamente novas abordagens ao problema da estimação de estados: metodologias baseadas em conhecimento (AYNSLEY et al., 1993; DI MASSIMO et al., 1993); redes neuronais e inteligência artificial (THIBAULT et al., 1990; LINKO e ZHU, 1991; KARIM e RIVERA, 1992); lógica difusa (SIMUTIS et al., 1992b; SIMUTIS et al., 1993). Outras propostas incluem técnicas de sistemas não lineares: a representação por diferenciação externa (GOMES e MENAWAT, 1992); GAUTHIER et al. (1992) propõem um observador estendido de LUENBERGER. LIAO (1989) introduz uma técnica de estimação de estado baseada na decomposição de valores singulares. HARDWICKE et al. (1991) propõem um método para estimação de estados baseado na maximização do número de mudanças do sinal do erro entre as previsões do modelo e os valores medidos. Este algoritmo foi testado em diferido em fermentações de E. coli para estimar a concentração de oxigénio dissolvido. FLAUS et al. (1991) apresentam um algoritmo baseado no método recursivo de erro de predição (LJUNG, 1987) que permite a estimação simultânea de variáveis de estado e de parâmetros. São apresentados resultados de validação em três processos biotecnológicos à escala piloto: produção de enzimas em E. coli, processo de produção de lipases pela levedura Candida rugosa e produção de lisina. Os trabalhos de MCGREAVY e CASTRO (1981), DOCHAIN et al. (1991), LIMQUECO et al. (1991) e THAM et al. (1991) constituem exemplos de aplicação de observadores em processos de reacção química. SCHULER e SCHMIDT (1993) apresentam um longo artigo de revisão da aplicação de técnicas de estimação em reactores químicos com uma ligeira abordagem aos reactores biológicos. 6.2 OBSERVADORES DE ESTADOS 163 6.2 Observadores de estados As principais variáveis de estado duma fermentação (concentrações de biomassa, substrato e produto) não são normalmente medidas em linha (SCHÜGERL et al., 1986; LOCHER et al., 1992ab; SONNLEITNER et al., 1992) impossibilitando o seu controlo por retroacção. A reconstrução do estado por um observador possibilitará, deste modo, o controlo do processo de fermentação. O princípio dos observadores de estados consiste em utilizar medidas para corrigir as estimativas de estados fornecidas por um modelo. DOCHAIN e BASTIN (1986) exploram a estrutura não linear dos processos de fermentação para desenvolver observadores não lineares. Para além dos variadíssimos trabalhos publicados por estes autores, existem outros exemplos de aplicação destes observadores. Assim, CHAO et al. (1992) estimam as concentrações de biomassa, substrato e lisina na produção de lisina; IGNATOVA et al. (1992) estimam a biomassa e a taxa específica de crescimento para a síntese de ergocriptina; 2+ GRAINDORGE et al. (1994) estimam a biomassa, a concentração de Fe e a taxa específica de crescimento a partir da medição de potencial de oxidação-redução em culturas de Thiobacillus ferrooxidans. No presente trabalho são apresentados algoritmos de estimação de estados baseados no denominado modelo dinâmico geral de reactores biológicos: dξ = Kϕ (ξ , t ) − Dξ + F − Q dt (4.4)=(6.1) Supondo conhecidos os coeficientes de rendimento da matriz K, as taxas de reacção ϕ(ξ), a taxa de diluição D, os vários caudais dos vectores F e Q e um subconjunto do vector de estado ξ1, por medição em linha, é possível projectar um observador de estado para reconstrução das variáveis de estado não medidas. BASTIN e DOCHAIN (1990) propõem a seguinte equação genérica de um observador de estado para sistemas não lineares do tipo descrito pela equação anterior: dξˆ = Kϕ ξˆ, t − Dξˆ + F − Q + Ω ξˆ ⎡⎣ξ1 − ξˆ1 ⎤⎦ dt ( ) ^ ^ () (6.2) ^ em que ξ e ξ1 representam a estimativa em linha de ξ e ξ1 respectivamente, Ω(ξ) é uma 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 164 ^ matriz de ganhos de dimensão n×q, função de ξ. Esta equação pode ser vista como sendo uma cópia do modelo (4.4) acrescentada de um termo motriz do erro de observação na parte medida do estado. Uma abordagem particular desta generalização é apresentada na formalização que se segue no projecto de um observador assimptótico. Definindo uma partição do vector de estado em duas partes ξa, ξb como se segue ⎡ξ a ⎤ ⎢ξ ⎥ = Lξ ⎣ b⎦ (6.3) em que L é uma matriz n×n de permutação de linhas tal que as correspondentes partições induzidas de K, F e Q são escritas da seguinte maneira ⎡ Ka ⎤ ⎢ K ⎥ = LK , ⎣ b⎦ ⎡ Fa ⎤ ⎢ F ⎥ = LF , ⎣ b⎦ ⎡Qa ⎤ ⎢Q ⎥ = LQ ⎣ b⎦ (6.4) de tal modo que sendo p a característica da matriz K, tem-se Ka ∈Rpxm, Kb ∈R(n-p)xm, ξa, Fa, Qa ∈Rp e ξb, Fb, Qb ∈R(n-p). O modelo dinâmico geral é reescrito como sendo dξ a = K aϕ (ξ a , ξb , t ) − Dξ a + Fa − Qa dt (6.5) dξ b = K bϕ (ξ a , ξb , t ) − Dξb + Fb − Qb dt (6.6) Introduzindo a seguinte transformação de estado (corresponde a uma mudança linear de coordenadas): Z ≡ Aξa+ξb (6.7) em que a matriz A ∈R(n-p)xp constitui a solução da seguinte equação matricial AKa+Kb = 0 (6.8) isto é + A = –KbKa (6.9) 6.2 OBSERVADORES DE ESTADOS 165 + em que Ka representa a inversa generalizada ou a pseudo-inversa da matriz Ka, obtendo-se então a seguinte forma para o modelo inicial: dξ a = K aϕ (ξ a , Z − Aξ a ) − Dξ a + U a dt (6.10) dZ = − DZ + A ( Fa − Qa ) + ( Fb − Qb ) dt (6.11) Note-se nesta última equação a ausência explícita do termo relativo às velocidades das reacções. A dinâmica de Z será independente da matriz A na situação de (Fa – Qa) igual a zero. O problema de estimação de estados de reactores biológicos é formalizado no seguimento. Consideram-se conhecidos (por imposição ou medição em linha) a taxa de diluição D, os caudais de entrada F, os caudais gasosos de saída Q, e um subconjunto do vector de variáveis de estado medidas em linha, designado por ξ1. Seja q o número de variáveis de estado medidas em linha. O vector das variáveis de estado não medidas é representado por ξ2. O problema da estimação de estados consistirá no projecto de um algoritmo para reconstruir as variáveis de estado não medidas em linha a partir das variáveis medidas: Problema: Estimação em linha do vector ξ2 de (n – q) variáveis de estado, dados: taxas de reacção ϕ(ξ) desconhecidas; ξ1, D, F e Q medidos em linha; coeficientes de rendimento conhecidos (matriz K); o número q de variáveis de estado medidas igual ou maior do que a característica da matriz K. Do mesmo modo que escrevemos o vector Z segundo a eq. (6.7), torna-se evidente a possibilidade de escrever Z como a combinação linear dos vectores ξ1 e ξ2: Z ≡ A1ξ1+ A2ξ2 (6.12) em que as matrizes A1 e A2, de dimensões (n-p)×q e (n-p)×(n-q) respectivamente, são + definidas de modo apropriado. Para A2, com matriz inversa à esquerda A2 , pode derivar-se o seguinte observador a partir das equações (6.11) e (6.12): 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 166 Observador assimptótico (BASTIN e DOCHAIN, 1990) dZˆ = − DZˆ + A ( Fa − Qa ) + ( Fb − Qb ) dt ^ (6.13) + ^ ξ2 = A2 (Z – A1ξ1) ^ (6.14) ^ em que Z e ξ2 representam estimativas em linha de Z e ξ2 respectivamente. Este estimador de estado é completamente independente da cinética. O diagrama de fluxo para este observador é apresentado na figura seguinte. Processo (modelo) U . ξ = -Dξ + Kϕ + U ξ = ξ1+ξ2 = ξa+ξb Ua Ub . ^ ^ Z = -DZ + AUa + Ub Sensores ξ1 ^ Z ^ + ^ ξ2 = A2(Z - A1ξ1) ξ^ 2 Figura 6.3 Observador assimptótico Este observador é classificado de assimptótico pelo facto de a velocidade de convergência ser determinada pelas condições experimentais (pela taxa de diluição). A ~ ^ ~ análise de erro (ξ2 = ξ2 – ξ2) deste observador conduz ao um ponto de equilíbrio (ξ2 = 0) de estabilidade assimptótica. A convergência deste algoritmo foi demonstrada pelos autores. Quando o número de variáveis medidas é igual ao número de reacções (q = m) e no caso de se considerar uma escolha de partição de estado tal que ξ1 = ξa e ξ2 = ξb então as matrizes A1 e A2 reduzem-se à seguinte forma: -1 A1 = -K2K1 (6.15) A2 = In-m (6.16) 6.3 ESTIMADORES DE CINÉTICA 167 Na prática a reconstrução em linha do estado é efectuada pela integração da equação do observador. A implementação numérica do observador é realizada por reescrita das equações numa forma discretizada. Usando a aproximação de EULER de 1ª ordem, a derivada é substituída por uma diferença finita: dZˆ Zˆ k +1 − Zˆ k ≅ dt T (6.17) em que T é o período de amostragem, “k” e “k+1” são índices de tempo. Deste modo, a equação (6.13) é discretizada como se segue: ^ ^ ^ Zk+1 = Zk – T[DkZk + Fb,k – Qb,k + A(Fa,k – Qa,k)] (6.18) A estimação do estado na situação de desconhecimento da matriz dos coeficientes de rendimento pode ser solucionada usando observadores adaptativos para sistemas não lineares (DOCHAIN e BASTIN, 1984; DOCHAIN e BASTIN, 1986; BASTIN e GEVERS, 1988). As condições experimentais de convergência destes algoritmos foram demonstradas (MAREELS et al., 1987; BASTIN et al., 1988). 6.3 Estimadores de cinética 6.3.1 Introdução O filtro estendido de KALMAN (FEK) constitui uma extensão dos filtros de KALMAN e possibilita a estimação de parâmetros em simultâneo com a estimação de estados, através do aumento do vector de estado que passa a incluir os parâmetros a estimar. Estes filtros, assumindo aproximações estocásticas para os ruídos nas medições e no modelo, apresentam a desvantagem de, mesmo para sistemas lineares, puderem divergir ou conduzirem a estimativas tendenciosas para situações de ruído desconhecido (LJUNG, 1979). A dificuldade (ou impossibilidade) de realização da análise de estabilidade do FEK constitui outra crítica importante para este estimador. Por último, e não menos importante, torna-se necessário o conhecimento dos parâmetros cinéticos do modelo. JEFFERIS (1979) utiliza esta técnica juntamente com o método dos mínimos quadrados recursivos para estimação das taxas de adição de nutrientes, com o propósito de execução de balanços materiais. Outros autores utilizam esta técnica para estimação de cinéticas: 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 168 CAMINAL et al. (1987) utilizam o FEK para estimação de cinética de desactivação enzimática de celulose; SHIMIZU et al. (1989) estimam a taxa específica de crescimento num processo de produção de fermento de padeiro, recorrendo ao FEK. A taxa específica de crescimento constitui um importante parâmetro duma fermentação. É, na prática, um parâmetro de difícil medição. Pode ser estimado por medição indirecta da taxa de crescimento ou através da medição da concentração celular. A taxa de crescimento pode ser estimada por balanços macroscópicos estequiométricos aos principais elementos químicos que compõem a biomassa (C, H, O, N) utilizando medições das taxas de consumo de oxigénio, de produção de dióxido de carbono e de transferência do ião amónio (COONEY et al., 1977; WANG et al., 1977; MOU e COONEY, 1983ab). BASTIN e DOCHAIN (1986) apresentam um algoritmo da estimação da taxa específica de crescimento que explora directamente a estrutura não linear do sistema, demonstrando a estabilidade do estimador. Nesta abordagem a taxa específica de crescimento é considerada um parâmetro variável no tempo, função de parâmetros desconhecidos que não são modelados por nenhuma função analítica. LJUBENOVA e IGNATOVA (1994) baseando-se na metodologia daqueles autores, propõem um estimador da taxa específica de crescimento através da medição da taxa de consumo de oxigénio (OUR), demonstrando a sua eficácia por simulação de uma fermentação aeróbia. No presente trabalho são apresentados algoritmos de estimação dos parâmetros taxas de reacção e taxas específicas de crescimento. De modo idêntico à estimação de estados, o estimador é baseado no modelo dinâmico geral de reactores biológicos, usando a transformação apresentada em § 4.3.1 (Modelação das taxas de reacção): dξ = KH (ξ , t ) ρ (ξ ) − Dξ + F − Q dt (4.15)=(6.19) em que as taxas de reacção são definidas como ϕ(ξ) ≡ H(ξ)ρ(ξ) (6.20) sendo H(ξ) uma matriz de dimensão m×r de funções de estado conhecidas e ρ(ξ) um vector de r funções de estado desconhecidas. O problema da estimação das taxas de reacção consistirá no projecto de um algoritmo 6.3 ESTIMADORES DE CINÉTICA 169 para cálculo de ρ(ξ,t): Problema: Estimação em linha do vector ρ(ξ,t) dados: vector de variáveis de estado ξ conhecido por medição em linha e estimação por observador; D, F e Q medidos em linha; coeficientes de rendimento conhecidos (matriz K); matriz H(ξ) de funções conhecidas. Para resolver este problema, é proposta uma classe de estimadores gerais, baseados no modelo dinâmico geral através da observação do estado, de modo a fornecer informação para actualização do estimador de ρ(ξ) e não para estimar o estado que é supostamente conhecido (por medição ou através de um observador específico): Estimador geral para a cinética dξˆ = KH (ξ ) ρˆ ( t ) − Dξ + F − Q − Ω1 ξ − ξˆ dt ( d ρˆ = Ω 2 ξ − ξˆ dt ( ) ) (6.21) (6.22) em que ρ^ representa a estimativa em linha de ρ(ξ). Esta classe de algoritmos é explicada do seguinte modo. A lei de actualização do ^ parâmetro ρ (6.22) é excitada pelo erro (ξ – ξ) que reflecte supostamente a diferença entre ρ e a sua estimativa ρ^ . Esta lei de adaptação pode ser vista como uma variação ao método do gradiente. Assegura-se, assim, que a correcção dos valores estimados se efectue em direcção à maior inclinação do erro de estimação. A equação (6.21), sendo semelhante à equação genérica do observador de estado anteriormente referida (6.2), apresenta, contudo, três modificações importantes: i. a matriz Ω pode ser dependente de ξ, mas deve ser estável para qualquer ξ(t); ii. o valor actual de ξ é utilizado no lado direito da equação (termos H(ξ) e Dξ); iii. o valor desconhecido actual de ρ(ξ) é substituído pela sua estimativa ρ^ , actualizada pela equação (6.22). A utilização do valor actual de ξ em vez do ^ valor estimado ξ constitui um caso particular do estimador apresentado em NARENDRA e ANNASWAMY (1989). O projecto do estimador fica completo com a escolha das matrizes de ganhos Ω1 e Ω2 que garantam as propriedades desejáveis de estabilidade e convergência do algoritmo. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 170 6.3.2 Estimadores baseados em observadores Uma solução para a escolha das matrizes de ganhos é dada por BASTIN e DOCHAIN (1990) que propõem um estimador baseado num observador (EBO) constituído pelas seguintes duas equações: Estimador baseado num observador (BASTIN e DOCHAIN, 1990) dξˆ = KH (ξ ) ρˆ ( t ) − Dξ + F − Q − Ω (ξ ) ξ − ξˆ dt ( T d ρˆ = ⎡⎣ KH (ξ ) ⎤⎦ Γ (ξ ) ξ − ξˆ dt ( ) (6.23) ) (6.24) em que Ω1 e Ω2 são definidos do seguinte modo: • Ω1 ≡ Ω. É uma matriz quadrada (n×n) que depende de ξ e deve ser estável. T • Ω2 ≡ [KH(ξ)] Γ. O ganho Γ da equação (6.24) deve ser escolhido tal que a T matriz Ω Γ + ΓΩ seja definida positivamente. Normalmente, as matrizes Ω e Γ tomam a seguinte forma, que verifica a última condição (DOCHAIN, 1986): Ω ≡ diag{–ωi}, Γ ≡ diag{γj} ωi, γj ∈R+ com i=1,…,n e j=1,…,r (6.25) A sintonização do estimador reduz-se à calibração, por tentativa e erro, dos escalares ωi e γj. Esta escolha particular é devida a razões de estabilidade do sistema de erros que apresenta uma estrutura linear variante no tempo (LVT). Aqueles autores demonstram a estabilidade do estimador, baseando-se na teoria da estabilidade para sistemas LVT e na teoria da persistência da excitação (NARENDRA e ANNASWAMY, 1989; GOODWIN e SIN, 1984). Uma alternativa ao esquema anterior de estimação das cinéticas será exposta de seguida. Assume que é suficiente basear o estimador da cinética num subconjunto de r equações do modelo completo de espaços de estados com a condição de incluir todos os r parâmetros que necessitam ser estimados (este subconjunto é referenciado pelo índice s). Nesta situação as matrizes de ganhos são quadradas com dimensão r. Adopta-se uma reformulação do modelo dinâmico considerando a seguinte transformação 6.3 ESTIMADORES DE CINÉTICA 171 -1 ψ ≡ Ks ξs (6.26) Esta transformação é introduzida para desacoplamento do modelo dinâmico geral (4.4) relativamente às taxas de reacção (POMERLEAU e PERRIER, 1990). Assim, o modelo dinâmico geral transforma-se na seguinte equação: dψ = H (ξ ) ρ (ξ ) − Dψ + K s−1 ( Fs − Qs ) dt (6.27) O estimador é reescrito da seguinte maneira: Estimador baseado num observador (POMERLEAU e PERRIER, 1990) dψˆ = H ρˆ − Dψ + K s−1 ( Fs − Qs ) − Ω1 (ψ − ψˆ ) dt (6.28) d ρˆ = Ω 2 (ψ − ψˆ ) dt (6.29) A escolha das matrizes dos ganhos poderá conduzir a diferentes abordagens ao problema da sintonização do estimador. Para a estimação de taxas específicas de crescimento, POMERLEAU e PERRIER (1990) propõem a seguinte configuração para as matrizes dos ganhos: • Ω1 ≡ diag{–ω1,iX} • Ω2 ≡ diag{ω2,iX} em que ω1,i, ω2,i ∈R+ com i=1,…,r. Para a situação mais geral, pode propor-se a seguinte configuração: • Ω1 ≡ diag{–ω1,ihi} • Ω2 ≡ diag{ω2,ihi} em que hi representa o elemento i da matriz diagonal H. A estimação em linha do vector de parâmetros ρ é efectuada, na prática, pela integração das equações do estimador. A implementação numérica é realizada, de modo idêntico ao observador, através da reescrita das equações numa forma discretizada, usando a aproximação de EULER de 1ª ordem: -1 ^ ^ ^ ^ ψ k+1 = ψk + T[Hkρk – Dkψk + Ks (Fs,k – Qs,k) + ω1,kH(ξk)(ψk – ψk)] (6.30) 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO ^ ρ^ k+1 = ρ^ k + Tω2,kH(ξk)(ψk – ψ k) 172 (6.31) Estes autores, baseando-se na dinâmica do sistema de erros de convergência destas equações às diferenças, propõem uma sintonização dos ganhos por colocação de pólos (ver Apêndice B): -1 ω1,k = 2(1 – p)H (ξk)/T e 2 ω2,k = 0.25ω1,k (6.32), (6.33) em que p é vector com posições de pólos no plano Z (0 a 1). 6.3.3 Estimadores de dinâmica de segunda ordem A dinâmica do erro de estimação para o estimador definido pelas equações (6.28) e (6.29) é obtida no seguimento. Subtraindo a equação (6.27) pela equação (6.28), obtém-se a seguinte equação: d (ψ − ψˆ ) = H ( ρ − ρˆ ) + Ω1 (ψ −ψˆ ) dt (6.34) Caso Ω2 seja uma matriz constante, então diferenciando a equação (6.29) obtém-se: d (ψ − ψˆ ) d 2 ρˆ = Ω 2 dt 2 dt (6.35) OLIVEIRA et al. (1994) propõem a seguinte configuração para as matrizes dos ganhos: • Ω1 ≡ Ω ≡ diag{–ωi} T -1 • Ω2 ≡ H (ξ)Γ, com Γ ≡ H (ξ).diag{γi} em que ωi, γi ∈R+ com i=1,…,r. Se H(ξ) for uma matriz diagonal, então combinando (6.29) com esta escolha dos ganhos obtém-se o seguinte resultado: d 2 ρˆ i d ρˆ i τ + ζ τ + ρˆ i = ρi 2 i i dt 2 dt 2 i i=1,…,r (6.36) com τi = (γihi) -0.5 e ζi = 0.5ωi(γihi) -0.5 em que hi se refere aos elementos diagonais da matriz H(ξ). (6.37), (6.38) 6.3 ESTIMADORES DE CINÉTICA 173 As três equações anteriores mostram que a estimativa de cada parâmetro segue uma dinâmica de resposta de segunda ordem a alterações nos verdadeiros parâmetros, com um período natural de oscilação τi e um coeficiente de amortecimento ζi que são funções do estado do sistema, e portanto, variáveis no tempo. O estimador de dinâmica de resposta de segunda ordem (EDSO) é então escrito como Estimador de dinâmica de resposta de 2ª ordem (I) dψˆ = H ρˆ − Dψ + K s−1 ( Fs − Qs ) − Ω (ψ −ψˆ ) dt (6.39) d ρˆ = H T (ξ ) Γ (ψ − ψˆ ) dt (6.40) A aplicação desta metodologia a problemas de estimação de taxas de reacção para as situações de cinética completamente desconhecida e parcialmente desconhecida é apresentada na tabela seguinte. Tabela 6.1 Sintonização baseada em dinâmica de 2ª ordem para estimação de cinéticas de reacções Taxas completamente desconhecidas Taxas parcialmente desconhecidas taxas de reacção taxa específica de crescimento taxa específica de reacção ρ (ξ ) = ϕ (ξ ) µ(ξ) α(ξ) H(ξ) = Ir diag(X) diag(hi)* (γiX) (γihi) τi = ζi = γi-0.5 ½ωiγi -0.5 -0.5 ½ωi(γiX) -0.5 ωi = 2 ζ i/ τ i 2 ζ i/ τ I γi = τi -2 1/(τi X) 2 -0.5 ½ωi(γihi) -0.5 2 ζ i/ τ i 2 1/(τi hi) * hi produto das concentrações dos reagentes na reacção i. Usando ainda como base o estimador descrito pelas equações (6.28) e (6.29), é possível obter uma formulação diferente para o estimador de 2ª ordem, para que a sintonização das matrizes dos ganhos conduza a uma dinâmica de convergência com τ constante e ζ (quase) constante. Deste modo, introduzindo as seguintes definições para os ganhos: 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 174 • Ω1 ≡ Ω ≡ diag{–ωi} -1 • Ω2 ≡ ΓH (ξ), com Γ ≡ diag{γi} em que ωi, γi ∈R+ com i=1,…,r, calculados como γi ≡ 1 τ e 2 i ωi ( t ) ≡ 2ζ i τi − dhi (ξ ) hi (ξ ) dt 1 (6.41), (6.42) A actualização dos ganhos ωi(t) requer a avaliação da derivada em ordem ao tempo dhi (ξ ) o que implica o conhecimento dos verdadeiros valores de ρi(t). Contudo, na fase dt de implementação numérica, a derivada pode ser aproximada por: dhi (ξ ) hi (ξ k ) − hi (ξ k −1 ) ≅ dt T (6.43) em que T se refere ao período de amostragem e “k”, “k-1” são instantes de amostragem consecutivos. O ganho ωi(t) será aproximado por ωi ,k ≅ 2ζ i τi − hi ,k − hi ,k −1 (6.44) Thi ,k O estimador é então escrito como se segue: Estimador de dinâmica de resposta de 2ª ordem (II) dψˆ = H ρˆ − Dψ + K s−1 ( Fs − Qs ) − Ω (ψ −ψˆ ) dt (6.45) d ρˆ = ΓH −1 (ξ )(ψ − ψˆ ) dt (6.46) As motivações para a escolha particular destes ganhos tornam-se evidentes através da análise da estabilidade, da dinâmica de convergência e da sintonização deste estimador. No Apêndice B demonstra-se que esta escolha conduz a um sistema de erros LVT globalmente estável. Mostra-se ainda que a sintonização das matrizes dos ganhos conduz a uma dinâmica de convergência de 2ª ordem com τ constante e ζ quase constante. 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 175 6.4 Estimadores e observadores para a produção de fermento de padeiro 6.4.1 Introdução O fermento de padeiro tem sido o veículo preferencial de teste e validação de algoritmos de estimação. As tabelas seguintes, sem pretenderem ser exaustivas, apresentam alguns exemplos de aplicação de estimadores. Tabela 6.2 Exemplos de observadores na produção de fermento de padeiro Referência Variáveis estimadas Variáveis medidas Método BELLGARDT et al. (1986) X, S, E ys,o e ys,c filtro de KALMAN DEKKERS (1983) X, S ys,o e ys,c filtro de KALMAN FLAUS et al. (1989) X, S, E ys,o e ys,c BASTIN e DOCHAIN LEE (1990) X, S ys,o e ys,c filtro de KALMAN POMERLEAU (1990) X E, O, ys,o e ys,c BASTIN e DOCHAIN PONS e ENGASSER (1989) X, S CER, CTR, OUR, OTR, rNH3 filtro de KALMAN RAMSEIER et al. (1993) X ys,c e rNH3 adaptativo SAN e STEPHANOPOULOS (1984a) X, S, E CER, OUR, rNH3 filtro de KALMAN SAN e STEPHANOPOULOS (1984b) E pH, rNH3 filtro de KALMAN Tabela 6.3 Exemplos de estimadores na produção de fermento de padeiro Referência Variáveis estimadas Variáveis medidas Método DEKKERS (1983) µ, rs ys,o e ys,c filtro de Kalman HAGANDER (1990) µ E Gradiente BELLGARDT et al. (1986) µ ys,o e ys,c filtro de Kalman POMERLEAU e PERRIER (1990, 1992) µs , µs e µe E, O, ys,o e ys,c BASTIN e DOCHAIN SHIMIZU et al. (1989) µ ys,o e ys,c filtro de Kalman o r o 6.4.2 Projecto de observadores assimptóticos Conforme foi referido em § 4.6 (Modelo matemático para a produção de fermento de padeiro) há necessidade de distinção entre dois modelos de estado parciais, o modelo respirativo e o modelo respiro-fermentativo. Assim os observadores propostos deverão contemplar a alternância entre os dois regimes metabólicos da Saccharomyces cerevisiae. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 176 O critério de transição de regime é o seguinte: de regime respiro-fermentativo para o regime respirativo quando a taxa específica de crescimento da via fermentativa de glucose r se anula (µs ≤ 0); de regime respirativo para o regime respiro-fermentativo quando a taxa o específica de crescimento da via respiratória de etanol se anula (µe ≤ 0). A construção do observador de estado é baseada nos modelos parciais desenvolvidos em § 4.6 e que se apresenta novamente: Modelo parcial RF (4.65) ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k 1 d ⎢ ⎥ ⎢ ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 Modelo parcial R (4.66) 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎥ ⎢ S ⎥ ⎢ DS ⎥ −k2 ⎥ o e ⎥ ⎢ ⎥ ⎢ ⎡µs ⎤ k3 ⎥ ⎢ r ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ ⎥ µ ⎢ ⎥ ⎢ ⎥ 0 ⎥⎣ s ⎦ ⎢ O ⎥ ⎢ OTR ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ −CTR ⎥⎦ k8 ⎥⎦ ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k 1 d ⎢ ⎥ ⎢ ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎥ ⎢ S ⎥ ⎢ DS ⎥ 0 ⎥ o e ⎥ ⎢ ⎥ ⎢ ⎡µs ⎤ − k4 ⎥ ⎢ o ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ ⎥ µ ⎢ ⎥ ⎢ ⎥ − k6 ⎥ ⎣ e ⎦ ⎢ O ⎥ ⎢ OTR ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ −CTR ⎥⎦ k9 ⎥⎦ (6.47) Introduzindo a partição de estado ξT1 = [O C] e ξT2 = [X S E] com as correspondentes T T partições de F e Q dadas por (F1 – Q1) = [OTR -CTR], (F2 – Q2) = [0 DSe 0] para ambos os modelos. As partições induzidas em K são apresentadas na Tabela 6.4. Tabela 6.4 Partições induzidas de K e correspondente matriz A K1 Modelo parcial RF R K2 ⎡ − k5 ⎢k ⎣ 7 0⎤ k8 ⎥⎦ ⎡ 1 ⎢ −k ⎢ 1 ⎢⎣ 0 1 ⎤ −k2 ⎥⎥ k3 ⎥⎦ ⎡ − k5 ⎢k ⎣ 7 − k6 ⎤ k9 ⎥⎦ ⎡ 1 ⎢ −k ⎢ 1 ⎢⎣ 0 1 ⎤ 0 ⎥⎥ −k4 ⎥⎦ A − k5 ⎤ ⎡ ( k8 − k7 ) 1 ⎢ ( k2 k7 − k1k8 ) k2 k5 ⎥⎥ ⎢ k5 k8 ⎢⎣ − k3 k7 − k3 k5 ⎥⎦ ⎡ ( k9 − k 7 ) 1 ⎢ −k k ( k5 k9 − k6 k7 ) ⎢⎢ k 1k 9 ⎣ 4 7 ( k 6 − k5 ) ⎤ ⎥ − k1k6 ⎥ k4 k5 ⎥⎦ A transformação de estado definida pela variável Z (6.12) cuja dinâmica, para cada regime metabólico, é dada por dZˆ RF = − DZˆ RF + ARFU1 + U 2 dt ^ ^ ξ2,RF = ZRF – ARFξ1 e RF (6.48) RF (6.49) 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO dZˆ R = − DZˆ R + ARU1 + U 2 dt ^ 177 R (6.50) ^ ξ2,R = ZR – ARξ1 R (6.51) -1 -1 em que U1 = (F1 – Q1), U2 = (F2 – Q2), ARF = –K2,RFK1,RF e AR = –K2,RK1,R, com as matrizes A apresentadas na Tabela 6.4. A utilização em alternância dos dois conjuntos de algoritmos é feita através de um mecanismo de detecção do modelo a usar baseado na estimação das taxas específicas de r o crescimento. Os valores estimados de µs e µe constituirão o critério para determinar o r o regime do processo: respiro-fermentativo se µs for positivo ou respirativo se µe for positivo. A mudança de valor estimado da taxa específica de crescimento de positivo para negativo indica uma transição de regime. Quando se detecta essa mudança, a variável ^ ^ transformada (Z) e o estado estimado (ξ2), calculados pelo algoritmo do modelo parcial ^ anterior, são usados para fornecer um valor de Z para o novo modelo parcial, passando a empregar-se o algoritmo correspondente, conforme se ilustra de seguida: RF → R ^ ^ ξ2,RF = ZRF – ARFξ1,RF ^ ^ ZR = ξ2,RF + ARξ1,R o o RF (6.52) R (6.53) r com µs,R = µs,RF e µs,R = 0 R → RF ^ ^ ^ ^ ξ2,R = ZR – ARξ1,R ZRF = ξ2,R + ARFξ1,RF o o R (6.54) RF (6.55) o com µs,RF = µs,R e µe,RF = 0. O observador assimptótico será constituído pelas seguintes equações em que os 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 178 diferenciais da dinâmica da variável Z foram aproximados por discretização de EULER: Observador assimptótico para estimação de variáveis de estado não medidas (X, S e E) Regime respiro-fermentativo ^ ^ ^ ^ ^ ^ ~ Z1RF,k+1 = Z1RF,k(1 – TDk) + T[(k8 – k7)OTRk + k5CTRk]/kRF (6.56) ~ Z2RF,k+1 = Z2RF,k(1 – TDk) + T{[(k2k7 – k1k8)OTRk – k2k5CTRk]/kRF + DkSe} ~ Z3RF,k+1 = Z3RF,k(1 – TDk) + Tk3(–k7OTRk + k5CTRk)/kRF ^ ^ ^ ^ ^ ^ (6.57) (6.58) ~ Xk = Z1RF,k – [(k8 – k7)Ok – k5Ck]/kRF (6.59) ~ Sk = Z2RF,k – [(k2k7 – k1k8)Ok + k2k5Ck]/kRF (6.60) ~ Ek = Z3RF,k – (– k3k7Ok – k3k5Ck)/kRF (6.61) ~ com kRF ≡ k5k8. Observador assimptótico para estimação de variáveis de estado não medidas (X, S e E) Regime respirativo ^ ^ ^ ^ ^ ^ ~ Z1R,k+1 = Z1R,k(1 – TDk) + T[(k9 – k7)OTRk – (k6 – k5)CTRk]/kR ~ Z2R,k+1 = Z2R,k(1 – TDk) + T{k1[–k9OTRk + k6CTRk]/kR + DkSe} ~ Z3R,k+1 = Z3R,k(1 – TDk) + Tk4(k7OTRk – k5CTRk]/kR ^ ^ ^ ^ ^ ^ (6.62) (6.63) (6.64) ~ Xk = Z1R,k – [(k9 – k7)Ok + (k6 – k5)Ck]/kR (6.65) ~ Sk = Z2R,k – (– k1k9Ok – k1k6Ck)/kR (6.66) ~ Ek = Z3R,k – (k4k7Ok + k4k5Ck)/kR (6.67) ~ com kR ≡ k5k9 – k6k7. 6.4.3 Projecto de estimadores de cinética -1 T T Introduzindo a transformação ψ ≡ Ks ξs e fazendo ξs = ξ1 = [O C] obtém-se para cada regime metabólico: ⎡ψ 1, RF ⎤ 1 ≡ ψ RF ≡ ⎢ ⎥ % ⎣ψ 2, RF ⎦ k RF ⎡ − k8 ⎢k ⎣ 7 0 ⎤ ⎡O ⎤ 1 ⎡ −k8O ⎤ = ⎢ ⎥ ⎥ ⎢ ⎥ k5 ⎦ ⎣C ⎦ k%RF ⎣( k7O + k5C ) ⎦ RF (6.68) 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO ⎡ψ 1, R ⎤ 1 ψR ≡ ⎢ ⎥≡ % ⎣ψ 2, R ⎦ k R ⎡ − k9 ⎢k ⎣ 7 − k 6 ⎤ ⎡ O ⎤ 1 ⎡ ( − k9 O − k 6 C ) ⎤ = ⎢ ⎥ k5 ⎥⎦ ⎢⎣C ⎥⎦ k%R ⎣ ( k7 O + k5C ) ⎦ 179 R (6.69) Com estas transformações e usando as equações (6.28) e (6.29) é possível escrever as seguintes equações de estimação para as diferentes cinéticas de crescimento: Regime respiro-fermentativo dψˆ1, RF dt dψˆ 2, RF dt d µˆ so, RF dt d µˆ sr, RF dt k = µˆ so, RF Xˆ − Dψ 1, RF − 8 OTR + ω11 (ψ 1, RF − ψˆ1, RF ) k%RF RF (6.70) 1 = µˆ sr, RF Xˆ − Dψ 2, RF + ( k7OTR − k5CTR ) + ω12 (ψ 2, RF −ψˆ 2, RF ) % k RF RF (6.71) = ω 21 (ψ 1, RF − ψˆ1, RF ) RF (6.72) = ω 22 (ψ 2, RF − ψˆ 2, RF ) RF (6.73) Regime respirativo dψˆ1, R dt dψˆ 2, R dt d µˆ so, R dt d µˆ eo, R dt 1 = µˆ so, R Xˆ − Dψ 1, R + ( −k9OTR + k6CTR ) + ω11 (ψ 1, R − ψˆ1, R ) % kR R (6.74) 1 = µˆ eo, R Xˆ − Dψ 2, R + ( k7OTR − k5CTR ) + ω13 (ψ 2, R − ψˆ 2, R ) k% R (6.75) = ω 21 (ψ 1, R − ψˆ1, R ) R (6.76) = ω 23 (ψ 2, R − ψˆ 2, R ) R (6.77) R A utilização em alternância dos dois esquemas de estimação é feita de acordo com a explicação anteriormente dada para o problema de estimação de estado: os valores r o estimados de µs e µe constituem o critério para determinar o regime do processo: respiror o fermentativo se µs for positivo ou respirativo se µe for positivo. A mudança de valor estimado da taxa específica de crescimento de positivo para negativo indica uma transição 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 180 de regime. Dado que as equações do estimador dependem da concentração de biomassa haverá necessidade de estimar esse valor em linha. As estimativas são conseguidas através do observador assimptótico anteriormente apresentado. A sintonização dos ganhos das equações de estimação é efectuada de forma a conduzir a uma dinâmica de resposta de 2ª ordem com coeficientes constantes (ou quase constantes). Assim, tem-se: ω11,k = 2ζ1/τ1 – (Xk – Xk-1)/(TXk) (6.78) ω12,k = 2ζ2/τ2 – (Xk – Xk-1)/(TXk) (6.79) ω13,k = 2ζ3/τ3 – (Xk – Xk-1)/(TXk) (6.80) 2 -1 ω21,k = (Xkτ1) (6.81) 2 -1 ω22,k = (Xkτ2) (6.82) 2 -1 ω23,k = (Xkτ3) (6.83) Uma alternativa de sintonização será considerar ω1i,k constante e ω2i,k = Xkγi para i = 1, 2 e 3 (abordagem de BASTIN e DOCHAIN, 1990). A validação das estimativas das taxas específicas de crescimento é realizada na prática com auxílio da estimação da taxa de produção de dióxido de carbono (CER) e respectiva comparação (de acordo com a aproximação sugerida em § 4.5.3) com o valor medido da taxa de transferência (CTR) por análise da fase gasosa: o ^ r o (CER) ≡ (k7µ^ s + k8µ^ s + k9µ^ e ) ≅ CTR (6.84) Alternativamente, pode usar-se o quociente respiratório como critério de validação da estimação: ^ (RQ) ≡ ( k µˆ + k µˆ + k µˆ ) M ( k µˆ + k µˆ ) M 7 o s 8 5 o s r s 9 6 o e o e O2 CO2 ≅ CTR M O2 OTR M CO2 (6.85) 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 181 6.4.4 Resultados A experiência de simulação foi executada com as seguintes condições iniciais: Tabela 6.5 Valores iniciais para a simulação X(0) S(0) E(0) O(0) C(0) -1 -1 -1 -1 -1 g.L 0.1 g.L 0.02 g.L 0.15 g.L 0.0066 g.L 0.008 V(0) Se(0)=Se(t) L g.L 3.5 10 -1 Fez variar-se o caudal volumétrico de alimentação de substrato em degraus de forma à fermentação passar pelos vários regimes metabólicos. A Figura 6.4 mostra essa variação, juntamente com o aumento do volume do reactor e a taxa de diluição calculada como a razão entre o caudal e o volume de reactor. F(t) [L/h] 0.4 (a) 0.2 0 0 V(t) [L] 6 4 6 8 10 Tempo [h] 12 14 16 18 2 4 6 8 10 Tempo [h] 12 14 16 18 2 4 6 8 10 Tempo [h] 12 14 16 18 (b) 5 4 0 0.1 D(t) [1/h] 2 (c) 0.05 0 0 Figura 6.4 Perfis de caudal de alimentação (a), volume do reactor (b) e taxa de diluição (c) O simulador disponibiliza aos algoritmos de estimação somente as variáveis relevantes, a saber: concentrações de oxigénio dissolvido e dióxido de carbono dissolvido, taxas de transferência para esses componentes, o volume do reactor e o caudal de alimentação. Estes dados são utilizados com um período de amostragem de 6 minutos. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 182 6.4.4.1 Estimação de estado Os resultados de estimação de estado são baseados na medição das concentrações de oxigénio e dióxido de carbono dissolvidos. De notar que no caso de não ser possível a medição directa da concentração de dióxido de carbono dissolvido, esta pode ser indirectamente inferida por medição da composição da fase gasosa usando as equações (4.45), (4.46) e (4.49). Os valores gerados pelo simulador foram corrompidos com ruído, de forma a obter-se pseudo medições dessas variáveis. Considerou-se para as duas medições um desvio padrão de 10% e média nula. A variação ao longo da fermentação das medições das concentrações de oxigénio (a) e dióxido de carbono (b) dissolvido, está representada na Figura 6.5. -3 x 10 Om(t) [g/L] 7 (a) 6 5 4 3 0 2 4 6 8 10 Tempo [h] 12 14 16 (b) Cm(t) [g/L] 0.025 0.02 0.015 0.01 0.005 0 0 2 4 6 8 10 Tempo [h] 12 14 16 Figura 6.5 Perfis das pseudo medidas das concentrações de oxigénio dissolvido (a) e de dióxido de carbono dissolvido (b) A variação ao longo do tempo das pseudo medidas de taxa de transferência de oxigénio (a) e da taxa de transferência de dióxido de carbono (b) é mostrada na Figura 6.6. OTRm(t) [g/(L.h)] 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 183 0.4 (a) 0.3 0.2 0.1 0 0 2 4 6 8 10 Tempo [h] 12 14 16 18 CTRm(t) [g/(L.h)] 0.6 (b) 0.4 0.2 0 0 2 4 6 8 10 Tempo [h] 12 14 16 18 Figura 6.6 Perfis de pseudo medidas de taxa de transferência de oxigénio (a) e taxa de transferência de dióxido de carbono (b) As equações da dinâmica do vector Z do observador anteriormente apresentado são integradas com as seguintes condições iniciais: -1 Tabela 6.6 Valores iniciais para as equações do observador (g.L ) ^ ^ ^ ^ ^ ^ Z1RF,0 Z2RF,0 Z3RF,0 Z1R,0 Z2R,0 Z3R,0 0.106 0.042 0.131 0.097 0.052 0.132 Estes valores são calculados a partir da equação matricial de definição de Z em que os seus componentes (Z1, Z2 e Z3) são função respectivamente de X, S e E. Assim, conhecendo os valores iniciais destas três variáveis de estado, normalmente obtidos por análises em diferido, torna possível conseguir-se uma boa estimativa dos valores iniciais de Z. As estimativas das concentrações de biomassa, glucose e etanol estão patentes na figura seguinte, onde é evidente o bom comportamento do observador, especialmente para os casos da biomassa e do etanol. Saliente-se que o traço contínuo em cada gráfico representa o valor previsto pelo simulador mas não usado pelo observador. X(t) [g/L] 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 2 R RF R RF R RF R (a) 1 0 0 S(t) [g/L] RF 184 2 4 6 8 10 Tempo [h] 12 14 16 0.12 0.1 0.08 0.06 0.04 0.02 0 (b) 2 4 6 8 10 Tempo [h] 12 14 16 E(t) [g/L] 0.3 (c) 0.2 0.1 0 0 2 4 6 8 10 Tempo [h] 12 14 16 Figura 6.7 Perfis das estimativas das concentrações de biomassa (a), glucose (b) etanol (c). (Traço valores pseudo reais, Pontos - valores estimados) Os valores estimados para a concentração de glucose apresentam, contudo, um certo desfasamento para os valores pseudo reais, especialmente na parte final da experiência. Estimativas realizadas na ausência de ruído mostram a inexistência deste desfasamento. 6.4.4.2 Estimação da cinética A mesma experiência de simulação anteriormente apresentada para estimação de estados foi utilizada para estimação das taxas específicas de reacção mas sem adição de ruído às variáveis pseudo medidas. A sintonização dos ganhos das equações de estimação foi realizada por especificação da constante de tempo (τ) e do coeficiente de amortecimento (ζ) que conduzem a uma dinâmica de resposta de 2ª ordem. Nas três figuras que se seguem são apresentados os resultados da estimação das taxas específicas de crescimento. Para cada figura são expostas duas situações de estudo: a parte (a) refere-se ao efeito da variação do parâmetro ζ para τ constante e igual a 0.15; a parte (b) refere-se ao efeito da variação do parâmetro τ para ζ 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 185 constante e igual a 1.0. As curvas são identificadas pelas designações A.1 a A.4 (ver Tabela 6.7) ou B.1 a B.4 (ver Tabela 6.8) que correspondem a diferentes valores dos ganhos. De salientar que os valores pseudo reais das taxas específicas de crescimento surgem nas figuras (linhas a cheio) somente para comparação das estimativas, não sendo, obviamente, utilizados pelo estimador. O desempenho do estimador é traduzido em termos do critério integral do erro absoluto pesado pelo tempo (ITAE): ITAE = ∫ t ε ( t ) dt tf (6.86) 0 em que neste caso ε(t) = µ(t) – µ^ (t) com t a variar desde o instante zero até ao fim da fermentação (instante final, tf). 0.4 (a) Real A.1 A.2 A.3 A.4 0.3 0.2 0.1 0 0 0.4 2 4 6 8 10 Tempo [h] 12 14 (b) 16 18 Real B.1 B.2 B.3 B.4 0.3 0.2 0.1 0 0 2 4 6 8 10 Tempo [h] 12 14 16 18 Figura 6.8 Taxa específica de crescimento para a respiração da glucose: (a) efeito da variação de ζ para τ constante, (b) efeito da variação de τ para ζ constante (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 0.06 186 Real A.1 A.2 A.3 A.4 (a) 0.04 0.02 0 0 0.06 2 4 6 8 10 Tempo [h] 12 14 16 18 Real B.1 B.2 B.3 B.4 (b) 0.04 0.02 0 0 2 4 6 8 10 Tempo [h] 12 14 16 18 Figura 6.9 Taxa específica de crescimento para a fermentação da glucose: (a) efeito da variação de ζ para τ constante, (b) efeito da variação de τ para ζ constante (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) 0.15 (a) Real A.1 A.2 0.1 A.3 A.4 0.05 0 0 0.15 2 4 6 8 10 Tempo [h] 12 14 (b) 16 18 Real B.1 B.2 0.1 B.3 B.4 0.05 0 0 2 4 6 8 10 Tempo [h] 12 14 16 18 Figura 6.10 Taxa específica de crescimento para a respiração do etanol: (a) efeito da variação de ζ para τ constante, (b) efeito da variação de τ para ζ constante (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) 6.4 ESTIMADORES E OBSERVADORES PARA A PRODUÇÃO DE FERMENTO DE PADEIRO 187 A Tabela 6.7 apresenta valores do critério ITAE para os quatro casos de variação do coeficiente de amortecimento ζ para período natural de oscilação τ constante. Tabela 6.7 Efeito da variação de ζ para τ = 0.15 h ζ1=ζ2=ζ3 ITAE o r o Caso [–] µs µs µe A.1 0.25 2.9 0.10 0.73 A.2 0.50 2.3 0.095 0.78 A.3 1.0 3.2 0.11 1.2 A.4 1.25 3.9 0.12 1.4 Identicamente, a Tabela 6.8 apresenta valores do critério ITAE para os quatro casos de variação do parâmetro τ para ζ constante. Tabela 6.8 Efeito da variação de τ para ζ = 1.0 τ1=τ2=τ3 ITAE o r o Caso [h] µs µs µe B.1 0.15 3.2 0.11 1.2 B.2 0.10 2.2 0.09 0.83 B.3 0.05 1.2 0.05 0.42 B.4 0.01 0.4 0.02 0.14 As três figuras anteriormente apresentadas permitem evidenciar uma dinâmica de convergência dos valores estimados em concordância com a resposta típica de 2ª ordem. Mostra-se que diminuindo τ se obtêm respostas mais rápidas, enquanto que diminuindo ζ são produzidas respostas mais oscilatórias. Pode também concluir-se que ζ igual a 1 constitui a fronteira entre respostas oscilatórias e não oscilatórias. Apesar de as estimativas das taxas específicas de crescimento terem sido comparadas com valores pseudo reais, na prática a validação da estimação é feita por comparação dos valores calculados do quociente respiratório usando as cinéticas estimadas (6.85) com os valores calculados usando a análise da fase gasosa. A Figura 6.11 apresenta a comparação entre o RQ estimado usando as estimativas das cinéticas (τ = 0.01 h e ζ = 1.0) e o RQ pseudo real (obtido no simulador). 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 188 3 Real Estimado 2.5 RQ(t) 2 1.5 1 0.5 0 0 2 4 6 8 10 Tempo [h] 12 14 16 18 Figura 6.11 Validação da estimação através do quociente respiratório Em alternativa ao estimador de dinâmica de resposta de 2ª ordem, testou-se um estimador baseado num observador, constituído pelas mesmas equações do EDSO, mas com ganhos ω1i,k constantes e ω2i,k = Xkγi (abordagem de BASTIN e DOCHAIN, 1990). A Tabela 6.9 apresenta três situações de sintonização para os ganhos e o respectivo valor para o critério ITAE. Tabela 6.9 Valores dos ganhos para o estimador baseado no observador ω11=ω12=ω13 -1 γ21=γ22=γ23 2 -2 -2 ITAE o r o Caso [h ] [L g h ] µs µs µe I 10.0 1000.0 1.0 0.055 0.26 II 5.0 1000.0 1.3 0.051 0.27 III 3.5 300.0 1.9 0.11 0.63 Os valores estimados para as três cinéticas são mostrados na Figura 6.12. 6.5 OBSERVADORES E ESTIMADORES PARA A FERMENTAÇÃO ETANÓLICA 0.4 189 Real I II III (a) 0.2 0 0 0.06 2 4 6 8 10 Tempo [h] 12 14 (b) 0.02 0.15 2 4 6 8 10 Tempo [h] 12 14 (c) 16 18 Real I II III IV 0.1 0.05 0 0 18 Real I II III IV 0.04 0 0 16 2 4 6 8 10 Tempo [h] 12 14 16 18 Figura 6.12 Taxas específica de crescimento: (a) respiração da glucose, (b) fermentação da glucose, (c) respiração do etanol (traço contínuo: valores pseudo reais, pontos ou traço descontínuo: valores estimados) A análise desta figura revela que a convergência é variável com o tempo, isto é, a resposta torna-se mais rápida e também mais oscilatória à medida que se aproxima do fim da experiência. 6.5 Observadores e estimadores para a fermentação etanólica 6.5.1 Introdução Não abundam na literatura exemplos de aplicação de algoritmos de estimação aplicados à fermentação etanólica. DOCHAIN e PAUSS (1988) fazem a aplicação de um estimador para o cálculo da taxa específica de crescimento numa fermentação etanólica através da medição da concentração de etanol dissolvido. RENARD (1990) utiliza as metodologias desenvolvidas por BASTIN e DOCHAIN (1990) para estimação da glucose e da taxa específica de crescimento 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 190 a partir da taxa de transferência de dióxido de carbono medida; ZHU et al. (1994) recorrem a rede neuronais para estimação das concentrações de biomassa, glucose e etanol com base em leituras em diferido anteriores dessas variáveis de estado. Conforme referido em § 3.2.3.2 a concentração de etanol era determinada em diferido por cromatografia gasosa. Decorriam à época preparativos para automatização da amostragem e da análise, de forma a obter uma determinação em linha. Deste modo, pretendeu estudar-se a possibilidade de utilização de valores medidos de etanol para estimação das concentrações de glucose e de biomassa. 6.5.2 Projecto de observadores e estimadores A construção do observador de estado é baseada no modelo da fermentação etanólica estabelecido em § 4.7 e que se apresenta novamente: ⎡X ⎤ ⎡ 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ d ⎢ S ⎥ ⎢ −k1 ⎥ ⎥ µX − D⎢ ⎥+ ⎢ e⎥ −⎢ = ⎢E⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ dt ⎢ E ⎥ ⎢ k2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ C ⎦ ⎢⎣ k3 ⎥⎦ ⎣ C ⎦ ⎣ 0 ⎦ ⎣CTR ⎦ (4.74)=(6.87) Define-se uma partição do vector de estado em duas partes ξa, ξb como se segue ξa = X, T ξb = [S E C] (6.88) Neste caso simples a matriz de permutação de linhas é dada pela matriz identidade, isto é, L = I4. As partições induzidas em K, F e Q são as seguintes: Ka = 1, T Kb = [–k1 k2 k3] Fa – Qa = 0, (Fb – Qb)T = [DSe 0 –CTR] (6.89) (6.90) Fazendo a transformação de estado (Z ≡ Aξa + ξb) introduzida pela equação (6.7), em T que a matriz A = [k1 –k2 –k3], obtém-se: ⎡ Z1 ⎤ ⎡ S + k1 X ⎤ Z ≡ ⎢⎢ Z 2 ⎥⎥ ≡ ⎢⎢ E − k2 X ⎥⎥ ⎢⎣ Z 3 ⎥⎦ ⎢⎣ C − k3 X ⎥⎦ (6.91) 6.5 OBSERVADORES E ESTIMADORES PARA A FERMENTAÇÃO ETANÓLICA 191 com a correspondente dinâmica: ⎡ Z1 ⎤ ⎡ Z1 ⎤ ⎡ DSe ⎤ dZ d ⎢ ⎥ = ⎢ Z 2 ⎥ = − D ⎢⎢ Z 2 ⎥⎥ + ⎢⎢ 0 ⎥⎥ dt dt ⎢⎣ Z 3 ⎥⎦ ⎢⎣ Z 3 ⎥⎦ ⎢⎣ −CTR ⎥⎦ (6.92) A dinâmica do vector Z é, neste caso, independente da matriz A, logo independente dos coeficientes de rendimento. Tal acontece pelo facto de Fa – Qa ser nulo. Para a situação em estudo, tinha-se acesso em linha à concentração de etanol dissolvido. Considerando ξ1 como a variável medida em linha (etanol) e ξ2 o vector das variáveis não medidas em linha (biomassa, glucose e dióxido de carbono), torna-se evidente a possibilidade de reescrita do vector Z através da combinação linear desses dois vectores conforme foi apresentado em (6.12), com as seguintes definições de A1 e A2: T A1 = [0 1 0] ⎡ k1 A = ⎢⎢ − k2 ⎢⎣ −k3 T 2 1 0⎤ 0 0 ⎥⎥ 0 1 ⎥⎦ (6.93) As equações anteriores poderiam servir de base à construção de um observador assimptótico para o qual é necessário o conhecimento da matriz K. Pode efectuar-se, contudo, uma abordagem diferente ao problema da estimação de estado na qual não seja necessário o conhecimento dos coeficientes de rendimento. Da equação de introdução do vector Z (6.91), pode escrever-se: Z2 ≡ E – k2X (6.94) cuja dinâmica é dada por . Z2 = –DZ2 (6.95) Introduzindo a seguinte definição ψ ≡ k2 X (6.96) com a correspondente dinâmica . ψ = µX – DY (6.97) 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 192 obtém-se ψm = E – Z2 (6.98) em que ψm representa uma “pseudo medida” de ψ. Usando esta transformação na variável medida, é possível projectar um observador para ψ, de equação: dψˆ ˆ m − Dψ m + ωψ m (ψ m −ψˆ ) = µψ dt (6.99) Este observador é do tipo adaptativo e apresenta uma estrutura que se adequa à equação genérica apresentada em (6.2). Note-se que na equação intervém o valor estimado da taxa específica de crescimento, obtido através do seguinte estimador: d µˆ = λψ m (ψ m − ψˆ ) dt (6.100) em que ω e λ são parâmetros estritamente positivos à disposição do utilizador, isto é, ωψm e λψm representam os ganhos que surgem em (6.2) e (6.29). Finalmente, o estimador da taxa específica de crescimento será constituído pelas seguintes equações resultantes das discretizações de EULER das equações (6.95), (6.98), (6.99) e (6.100): Estimador da taxa específica de crescimento para a fermentação etanólica ^ ^ Z2,k+1 = Z2,k(1 – TDk) (6.101) ^ ψm,k = Ek – Z2,k ^ ^ ^ ^ (6.102) ^ ^ ψk+1 = ψk + T[µkψm,k – Dkψm,k + ωψm,k(ψm,k – ψk)] ^ µk+1 = µk + Tλψm,k(ψm,k – ψk)] (6.103) (6.104) Para a estimação das variáveis de estado não medidas em linha, podem escrever-se as seguintes equações de observadores de convergência assimptótica: ( ) dSˆ = − µˆ Zˆ1 − Sˆ + DSe − DS dt (6.105) 6.5 OBSERVADORES E ESTIMADORES PARA A FERMENTAÇÃO ETANÓLICA 193 dXˆ = µˆ Xˆ − DXˆ dt (6.106) A discretização das duas equações anteriores é efectuada pela aproximação de EULER de 1ª ordem: ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ Sk+1 = Sk + T[–µk(Z1 – Sk) + DkSe – DkSk] (6.107) ^ Xk+1 = Xk + T[µkXk – DkXk] (6.108) com a estimação de Z1 dada por: ^ ^ Z1,k+1 = Z1,k(1 – TDk) + DkSe (6.109) ^ ^ Os valores iniciais para as variáveis desconhecidas Z1, Z2 e ψm foram estimados usando as suas definições: ^ Z2,0 ≡ E0 – k2X0 (6.110) ^ Z1,0 ≡ S0 + k1X0 (6.111) ^ ψ0 ≡ k2X0 (6.112) Para o cálculo destes valores utilizaram-se os valores de k1 e k2 obtidos em § 5.5.2. Os valores iniciais encontram-se na Tabela 6.10. Tabela 6.10 Valores iniciais para o estimador da taxa específica de crescimento ^ E0 ^ ^ ψ 0 µ^ 0 X0 S0 NTU mmole.L mmole.L mmole.L mmole.L mmole.L h 13 54.7 0.0 57.2 -3.9 3.9 0 a 0.2 -1 Z1,0 -1 Z2,0 -1 -1 -1 -1 6.5.3 Resultados Utilizou-se a experiência EXP_08 para teste e validação dos algoritmos de observação e estimação. Os dados experimentais foram obtidos com um tempo de amostragem de cinco minutos (T = 5 min.). Na Figura 6.13 apresenta-se o perfil de concentração do etanol com os pontos experimentais obtidos em diferido e os pontos “pseudo em linha” obtidos por interpolação linear. Na curva é visível a existência de três zonas correspondentes a cada 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 194 um dos momentos de adição de açúcar. Em cada zona, o reactor pode ser visto como funcionando em modo descontínuo. Os perfis de taxa de diluição e volume foram apresentados no capítulo anterior. 200 valores medidos em diferido 180 valores interpolados 160 Etanol [mmole/L] 140 120 100 80 60 40 20 0 0 5 10 15 20 25 Tempo [h] 30 35 40 45 Figura 6.13 Perfil de concentração de etanol -3 -1 -1 Os parâmetros utilizados para os ganhos dos estimadores foram, ω = 1×10 L.mole .h -6 2 -2 -2 e λ = 1×10 L .mmole .h . Estes parâmetros foram obtidos por tentativa e erro. Na Figura 6.14 apresentam-se várias curvas de valores estimados de taxa específica de crescimento com o tempo. Cada curva corresponde a diferentes valores iniciais de taxa específica de crescimento (valor desconhecido). Verifica-se um bom comportamento do estimador face aos parâmetros utilizados para os ganhos do estimador: a estimação é estável e sem oscilações. Verifica-se também uma rápida convergência das estimativas face a diferentes estimativas iniciais. Após 15 horas, praticamente todas as estimativas são coincidentes. 6.5 OBSERVADORES E ESTIMADORES PARA A FERMENTAÇÃO ETANÓLICA 195 Taxa Especfica de crescimento [1/h] 0.25 0.2 0.15 0.1 0.05 0 0 5 10 15 20 25 Tempo [h] 30 35 40 45 Figura 6.14 Valores estimados de taxa específica de crescimento A Figura 6.15 evidencia o desempenho dos observadores, sendo de realçar o excelente comportamento do estimador da concentração de açúcar em especial na determinação do momento em que ocorre o consumo total de glucose. Note-se que os valores medidos não foram utilizados pelo estimador. Relativamente à estimação do valor da biomassa verificase um ligeiro afastamento em relação ao valor medido por turbidimetria em especial nos dois pontos de adição de glucose. É de referir, contudo, um erro sistemático existente após a última adição de glucose: o cálculo do valor da biomassa (turbidez) por diluição no instante da introdução dos 8 litros de alimentação é superior ao valor medido, aproximando-se do valor estimado. O erro sistemático foi causado por uma perturbação verificada na célula de medição do turbidimetro devida à produção crescente de gás. A Figura 6.16 apresenta as estimativas da variável ψ verificando-se um comportamento quase perfeito do estimador face aos valores da pseudo medida ψm. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO Biomassa [NTU] 600 196 (a) valores estimados valores medidos em linha 400 200 0 0 Glucose [mmole/l] 60 5 10 15 20 25 Tempo [h] 30 35 40 45 20 25 Tempo [h] 30 35 40 45 (b) 40 20 valores estimados 0 0 valores medidos em diferido 5 10 15 Figura 6.15 Perfis de concentração de biomassa (a) e de glucose (b) 200 valores medidos em linha 180 valores estimados 160 Y [mmole/L] 140 120 100 80 60 40 20 0 0 5 10 15 20 25 Tempo [h] 30 35 40 Figura 6.16 Estimação da variável ψ e valores da pseudo medida ψm 45 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 197 Com os valores estimados de ψ é possível estimar o coeficiente de rendimento k2 ^ através da razão ψ/X. A Figura 6.17 apresenta as estimativas de k2 ao longo do tempo em que é visível uma variação dos valores entre 0.52 e 0.30 (média de 0.38 ± 0.04). Recordese que o valor constante, obtido por identificação no capítulo 5, foi 0.30 ± 0.04. 0.55 0.5 k2 [mmole/L/NTU] 0.45 0.4 0.35 0.3 0.25 0.2 0 5 10 15 20 25 Tempo [h] 30 35 40 45 Figura 6.17 Estimavas em linha do coeficiente de rendimento k2 6.6 Observadores e estimadores para a síntese enzimática de ampicilina 6.6.1 Introdução Não existem na literatura exemplos de aplicação de técnicas de estimação aplicados à síntese enzimática de ampicilina. A razão para a ausência de trabalhos na área de monitorização avançada deve-se à praticamente inexistente produção industrial de ampicilina por tecnologia enzimática. Deste modo, procurou acompanhar-se a fase de desenvolvimento de uma alternativa 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 198 enzimática à síntese tradicional por via química, através da aplicação de metodologias de estimação de estados e de cinéticas. Decorriam à época preparativos para a automatização da amostragem e da análise, de forma a obter-se medições em linha. 6.6.2 Projecto de observadores assimptóticos O projecto do observador de estado é baseado no modelo estabelecido em § 4.8 e que se apresenta novamente: ⎡ S1 ⎤ ⎡ −k1 ⎢ S ⎥ ⎢ −1 2⎥ ⎢ ⎢ d ⎢ P1 ⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ P2 ⎥ ⎢ k5 ⎢⎣ P3 ⎥⎦ ⎢⎣ k6 0 k2 ⎤ ⎡ S1 ⎤ ⎡ F1 ⎤ ⎥ ⎢ ⎥ ⎢ ⎥ −1 0 ⎥ ⎡ϕ1 ⎤ ⎢ S 2 ⎥ ⎢ F2 ⎥ k3 k4 ⎥ ⎢⎢ϕ 2 ⎥⎥ − D ⎢ P1 ⎥ + ⎢ F3 ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ 0 −1⎥ ⎢⎣ϕ 3 ⎥⎦ ⎢ P2 ⎥ ⎢ 0 ⎥ ⎢⎣ P3 ⎥⎦ ⎢⎣ 0 ⎥⎦ k7 0 ⎥⎦ (4.88)=(6.113) Os valores de coeficientes de rendimento foram estimados por considerações estequiométricas. No capítulo anterior considerou-se o valor unitário para todos os coeficientes. O facto de a matriz K de coeficientes de rendimento não ser uma matriz completa (a sua característica é igual a dois) possibilita a estimação de três variáveis de estado pela medição em linha das restantes duas variáveis de estado (q = 2). Define-se uma partição do vector de estado [ξa ξb] como se segue T T ξa = [S1 P1], ξb = [S2 P2 P3] (6.114) As correspondentes partições induzidas para K, F e Q são as seguintes: ⎡ −k Ka = ⎢ 1 ⎣ 0 0 k3 ⎡ −1 −1 0 ⎤ k2 ⎤ , K b = ⎢⎢ k5 0 −1⎥⎥ ⎥ k4 ⎦ ⎢⎣ k6 k7 0 ⎥⎦ T (Fa – Qa) = [F1 F3], T (Fb – Qb) = [F2 0 0] (6.115) (6.116) A matriz A, calculada pela equação (6.9), é dada por: ⎡ 1 ⎢− k T A =⎢ 1 ⎢ 1 ⎢ k ⎣ 3 k5 k1 0 k6 ⎤ k1 ⎥ ⎥ k7 ⎥ − ⎥ k3 ⎦ (6.117) 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 199 Fazendo a transformação de estado (Z ≡ Aξa + ξb) obtém-se, Z1 = (–1/k1)S1 + (1/k3)P1 + S2 (6.118) Z2 = (k5/k1)S1 + P2 (6.119) Z3 = (k6/k1)S1 + (–k7/k3)P1 + P3 (6.120) T em que Z = [Z1 Z2 Z3], com a correspondente dinâmica: ⎡ 1 ⎢− k ⎡ Z1 ⎤ ⎡ Z1 ⎤ ⎢ 1 ⎢ k dZ d ⎢ ⎥ = ⎢ Z 2 ⎥ = − D ⎢⎢ Z 2 ⎥⎥ + ⎢ 5 dt dt k ⎢⎣ Z 3 ⎥⎦ ⎢⎣ Z 3 ⎥⎦ ⎢ 1 ⎢ k6 ⎢ ⎢⎣ k1 1 ⎤ ⎥ k3 ⎥ ⎡F ⎤ ⎥ ⎡ F1 ⎤ ⎢ 2 ⎥ 0 ⎥⎢ ⎥+⎢ 0 ⎥ ⎥ ⎣ F3 ⎦ ⎢ 0 ⎥ ⎣ ⎦ k ⎥ − 7⎥ k3 ⎥⎦ (6.121) Seja ξ1 o vector de variáveis de estado medidas em linha. Para a situação em estudo tinha-se acesso às concentrações de fenilglicina (P1) e 6-APA (S1) por HPLC (constituem os dois primeiros picos do cromatograma). Deste modo faz-se coincidir o vector ξa com o vector ξ1. Pretendem estimar-se as concentrações de MFG, ampicilina e metanol, que constituem os elementos do vector ξ1 (ou ξb). O estimador assimptótico é escrito usando as equações (6.13) e (6.14) como se segue: ⎡ 1 ⎢− ˆ ˆ ⎡ Z1 ⎤ ⎡ Z1 ⎤ ⎢ k1 ˆ ⎢ ⎥ ⎢ ⎥ ⎢ k dZ d ˆ = ⎢ Z 2 ⎥ = − D ⎢ Zˆ 2 ⎥ + ⎢ 5 dt dt ⎢ ⎥ ⎢ ˆ ⎥ ⎢ k1 ˆ Z ⎢⎣ 3 ⎥⎦ ⎢⎣ Z 3 ⎥⎦ ⎢ k 6 ⎢ ⎢⎣ k1 ⎡ 1 ⎢− ⎡ Sˆ2 ⎤ ⎡ Zˆ1 ⎤ ⎢ k1 ⎢ ⎥ ⎢ ⎥ ⎢ k5 ⎢ Pˆ2 ⎥ = ⎢ Zˆ 2 ⎥ − ⎢ ⎢ ˆ ⎥ ⎢ ˆ ⎥ ⎢ k1 ⎣⎢ P3 ⎦⎥ ⎣⎢ Z 3 ⎦⎥ ⎢ k6 ⎢ ⎢⎣ k1 1 ⎤ ⎥ k3 ⎥ ⎥ ⎡S ⎤ 0 ⎥ ⎢ 1⎥ ⎥ ⎣ P1 ⎦ k ⎥ − 7⎥ k3 ⎥⎦ 1 ⎤ ⎥ k3 ⎥ ⎡F ⎤ ⎥ ⎡ F1 ⎤ ⎢ 2 ⎥ 0 ⎥⎢ ⎥+⎢ 0 ⎥ ⎥ ⎣ F3 ⎦ ⎢ 0 ⎥ ⎣ ⎦ k7 ⎥ − ⎥ k3 ⎥⎦ (6.122) (6.123) A versão implementada deste observador é constituída pelas seguintes equações obtidas 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 200 por discretização de EULER das duas equações anteriores: Observador assimptótico para a síntese enzimática de ampicilina ^ ^ ^ ^ ^ ^ Z1,k+1 = Z1,k(1 – TDk) + T[(–1/k1)F1,k + (1/k3)F3,k + F2,k] (6.124) Z2,k+1 = Z2,k(1 – TDk) + T[(k5/k1)F1,k] (6.125) Z3,k+1 = Z3,k(1 – TDk) + T[(k6/k1)F1,k + (–k7/k3)F3,k] ^ ^ ^ ^ ^ ^ (6.126) S2,k = Z1,k + (1/k1)S1,k – (1/k3)P1,k (6.127) P2,k = Z2,k – (k5/k1)S1,k (6.128) P3,k = Z3,k – (k6/k1)S1,k + (k7/k1)P1,k (6.129) 6.6.3 Projecto de estimadores de cinética O projecto do observador de estado é baseado no modelo estabelecido em § 5.6: ⎡ S1 ⎤ ⎡( k2 − k1 ) ⎢S ⎥ ⎢ −1 2 d ⎢ ⎥ ⎢ ⎢ P1 ⎥ = ⎢ k4 dt ⎢ ⎥ ⎢ ⎢ P2 ⎥ ⎢ ( k5 − 1) ⎢⎣ P3 ⎥⎦ ⎢⎣ k6 − k2 ⎤ ⎡ S1 ⎤ ⎡ F1 ⎤ ⎥ ⎢S ⎥ ⎢F ⎥ −1 ⎥ ⎢ 2⎥ ⎢ 2⎥ ⎡ϕ1 ⎤ ( k3 − k4 )⎥ ⎢ϕ ⎥ − D ⎢ P1 ⎥ + ⎢ F3 ⎥ ⎥⎣ 2⎦ ⎢ ⎥ ⎢ ⎥ 1 ⎥ ⎢ P2 ⎥ ⎢ 0 ⎥ ⎢⎣ P3 ⎥⎦ ⎢⎣ 0 ⎥⎦ k7 ⎥⎦ (5.103)=(6.130) T Definindo o subvector ξs formado pelas variáveis de estado 6-APA e MFG: T ξs = [S1 S2] (6.131) com as correspondentes matrizes Ks, Fs e Qs: ⎡( k − k ) − k 2 ⎤ Ks = ⎢ 2 1 ⎥, −1 ⎦ ⎣ −1 T (Fs – Qs) = [F1 F2] (6.132) -1 Fazendo a transformação ψ ≡ Ks ξs, obtém-se: ⎡ψ ⎤ 1 ψ ≡ ⎢ 1⎥ = % ⎣ψ 2 ⎦ k s ⎡ −1 ⎢1 ⎣ k2 ⎤ ⎡ S1 ⎤ 1 ⎡ k2 S2 − S1 ⎤ = ( k2 − k1 )⎥⎦ ⎢⎣ S2 ⎥⎦ k%s ⎢⎣ S1 + ( k2 − k1 ) S2 ⎥⎦ (6.133) ~ em que ks ≡ k1 – 2k2. A modelação das taxas de reacção ϕ (= H(ξ)ρ(ξ)) é efectuada através das taxas T específicas de reacção ρ = [ρ1 ρ2] com H(ξ) = diag(S1S2, S2). A escolha da partição ξs é, 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 201 pois justificada pelo facto de os componentes S1 e S2 constituírem os elementos da matriz H(ξ). No caso de não se medir o componente S2 deve usar-se o estimador descrito pelas equações (6.127) e (6.124). O estimador para as duas taxas específicas de reacção é como se segue: ⎡ψ ⎤ 1 ⎡−1 d ⎡ψˆ1 ⎤ ⎡S1S2 0 ⎤ ⎡ ρˆ1 ⎤ =⎢ − D⎢ 1 ⎥ + ⎢ ⎢ ⎥ ⎥ ⎢ ⎥ dt ⎣ψˆ2 ⎦ ⎣ 0 S2 ⎦ ⎣ ρˆ2 ⎦ ⎣ψ 2 ⎦ k%s ⎣ 1 +k2 ⎤ ⎡ F1 ⎤ ⎡ψ −ψˆ ⎤ −Ω1 ⎢ 1 1 ⎥ ⎥ ⎢ ⎥ ( k2 − k1 )⎦ ⎣F2 ⎦ ⎣ψ2 −ψˆ2 ⎦ ⎡ψ1 −ψˆ1 ⎤ d ⎡ ρˆ1 ⎤ = Ω 2⎢ ⎥ dt ⎢⎣ ρˆ2 ⎥⎦ ⎣ψ2 −ψˆ2 ⎦ (6.134) (6.135) A versão discretizada deste estimador conduz às seguintes equações: Estimador das taxas específica de reacção para a síntese enzimática de ampicilina ~ ^ ^ ^ ψ1,k+1 = ψ 1,k + T[S1S2ρ1,k – Dkψ1,k + (–F1 + k2F2)/ks – Ω11,k(ψ1,k – ψ1,k)] ^ ~ (6.136) ^ ^ ^ ^ ψ 2,k+1 = ψ2,k + T[S2ρ2,k – Dkψ2,k + (F1 + (k2 – k1)F2)/ks – Ω12,k(ψ2,k – ψ2,k)] (6.137) ^ ρ^ 1,k+1 = ρ^ 1,k + TΩ21,k(ψ1,k – ψ 1,k) (6.138) ^ ρ^ 2,k+1 = ρ^ 2,k + TΩ22,k(ψ2,k – ψ 2,k) (6.139) Os ganhos (Ω11, Ω12) são elementos da matriz diagonal Ω1 e os ganhos (Ω21, Ω22) são, por sua vez, elementos da matriz diagonal Ω2. A sintonização das matrizes de ganhos foi realizada de forma a conduzir a uma dinâmica de resposta de 2ª ordem e, alternativamente, por colocação de pólos. Para o estimador de dinâmica de 2ª ordem, tem-se: –Ω11,k = 2ζ1/τ1 – (S1,kS2,k – S1,k-1S2,k-1)/(TS1,kS2,k) (6.140) –Ω12,k = 2ζ2/τ2 – (S2,k – S2,k-1)/(TS2,k) (6.141) 2 -1 Ω21,k = (S1,kS2,kτ1) 2 -1 Ω22,k = (S2,kτ2) (6.142) (6.143) No caso de se usar colocação de pólos os ganhos são dados por: –Ω11,k = ω11,kS1,kS2,k = 2(1 – p1)/T (6.144) 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO –Ω12,k = ω12,kS2,k = 2(1 – p2)/T (6.145) 2 2 2 Ω21,k = 0.25ω11,kS1,kS2,k = (1 – p1) /(T S1,kS2,k) 2 202 2 (6.146) 2 Ω22,k = 0.25ω12,kS2,k = (1 – p2) /(T S2,k) (6.147) O mesmo ganho Ω2i,k pode ser utilizado em ambas os casos de sintonização bastando fazer pi = 1 – T/τi. A validação das estimativas das taxas específicas de reacção é efectuada por estimação das concentrações dos componentes ampicilina e fenilglicina cujas medições não foram utilizadas pelo estimador das cinéticas. As equações de estado para cada um destes componentes permitem escrever as equações de estimação, fazendo uso das estimativas das taxas específicas de reacção e cuja implementação discreta se segue: ^ ^ ^ ^ ^ ^ ^ P1,k+1 = P1,k + T[k4S1,kS2,kρ1,k + (k3 – k4)S2,kρ2,k – DkP1,k + F3,k] ^ ^ ^ P2,k+1 = P2,k + T[(k4 – k5)S1,kS2,kρ1,k + S2,kρ2,k – DkP2,k] (6.148) (6.149) 6.6.4 Resultados 6.6.4.1 Apresentação da experiência Utilizou-se a experiência EXP_E para teste e validação dos algoritmos de estimação de estados e estimação da cinética. A Figura 6.18 apresenta os perfis de taxa de diluição e caudais de alimentação de reagentes em que é visível a existência de três zonas de caudal de alimentação diferente durante a operação contínua do reactor. O caudal molar referente à fenilglicina (F3) é considerado como entrada, uma vez que se verifica a ocorrência de hidrólise da MFG na solução de alimentação deste reagente. As concentrações de fenilglicina (P1), ácido 6-aminopenicilânico (S1), ampicilina (P2) e metilfenilglicina (S2) foram determinadas por cromatografia líquida (HPLC). O respectivo cromatograma era obtido em quinze minutos, surgindo os 4 picos pela ordem indicada. 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 203 0.02 D(t) [1/min] (a) 0.015 0.01 0.005 F1, F2, F3 [mmole/L/min] 0 0 1.5 50 100 150 200 Tempo [min] 250 300 350 150 200 Tempo [min] 250 300 350 (b) 1 F2 (6-APA) 0.5 F1 (MFG) F3 (FG) 0 0 50 100 Figura 6.18 Perfis de taxa de diluição (a) e caudais de alimentação dos reagentes (b) 6.6.4.2 Estimação de estado Os picos correspondentes aos componentes FG e 6-APA eram obtidos passados quatro minutos da injecção da amostra. Para efeito de validação do observador considerou que se dispunha destas duas concentrações em cada cinco minutos (T = 5 min.), obtendo-se os valores “pseudo medidos em linha” por interpolação linear das análises normais obtidas cada 15-20 minutos. Deste modo, pretendeu estudar-se a possibilidade de encurtar o tempo de análise dos quatro componentes, por medição de dois deles (os dois primeiros picos) e estimação dos restantes. O período de amostragem de cinco minutos só será possível após a automatização das etapas de amostragem, preparação da amostra e injecção (ver por exemplo MESCHKE et al., 1988, TURNER et al., 1994). Na Figura 6.19 apresenta-se o perfil de concentrações de 6-APA e FG com os pontos experimentais obtidos em diferido e os pontos “pseudo em linha” obtidos por interpolação linear. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 204 6-APA [mmole/L] 44 valores interpolados valores medidos 42 40 38 36 (a) 34 0 50 100 150 200 Tempo [min] 250 300 350 150 200 Tempo [min] 250 300 350 60 FG [mmole/L] (b) 50 valores medidos 40 valores interpolados 30 20 0 50 100 Figura 6.19 Variáveis de estado pseudo medidas em linha: (a) 6-APA, (b) FG Excepcionalmente, durante a estimação de estado considerar-se-á k1 e k2 (coeficientes relativos ao 6-APA) iguais a 0.7. A diferença entre considerar este valor ou o valor unitário será ilustrado no seguimento. As concentrações de metilfenilglicina, ampicilina e metanol, designadas respectivamente por S2, P2 e P3, estimadas através do observador assimptótico anteriormente apresentado são mostradas na Figura 6.20, observando-se uma boa validação do estimador por comparação com dados em diferido (não usados pelo observador). Para a situação da estimação do metanol não foi possível validar o estimador uma vez que não se dispunha de análises para este componente. Na Figura 6.21 estão representadas as estimativas para a situação em que todos os coeficientes de rendimento são unitários. A estimação da concentração de MFG aproximase bastante do valor estimado anteriormente. Para a ampicilina constata-se que a estimação da sua concentração se afasta do valor medido. MeOH [mmole/L] (a) 80 205 valores medidos valores estimados 60 40 0 Amp [mmole/L] MFG [mmole/L] 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 8 6 50 100 150 200 Tempo [min] 250 300 350 (b) 4 valores medidos valores estimados 2 0 0 50 50 100 150 200 Tempo [min] 250 300 350 50 100 150 200 Tempo [min] 250 300 350 (c) 40 30 20 0 Figura 6.20 Variáveis de estado estimadas em linha: (a) MFG, (b) Ampicilina, (c) Metanol Amp [mmole/L] 8 6 (a) 4 valores medidos 2 valores estimados (k1=k2=0.7) valores estimados (k1=k2=1.0) 0 0 50 100 150 200 Tempo [min] 250 300 350 90 MFG [mmole/L] (b) 80 valores medidos valores estimados (k1=k2=0.7) 70 valores estimados (k1=k2=1.0) 60 50 40 0 50 100 150 200 Tempo [min] 250 300 350 Figura 6.21 Comparação entre as estimativas para k1 = k2 =0.7 e k1 = k2 =1.0 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 206 Do ponto de vista de operação do processo, a redução de 15 min. (tempo para obter os 4 picos de FG, 6-APA, AMP e MFG respectivamente, por HPLC) para 5 min. no tempo morto de controlo é crucial para aplicação de técnicas de controlo digital em que normalmente se exige um tempo de amostragem no mínimo 10 vezes inferior à constante de tempo característico do processo (neste caso, τ = 90 min.). 6.6.4.3 Estimação de cinética Os resultados que se apresentam de seguida foram obtidos através de duas metodologias de sintonização: dinâmica de resposta de 2ª ordem e por colocação de pólos. Os valores dos parâmetros de sintonização são os seguintes: Tabela 6.11 Parâmetros de sintonização dos estimadores Colocação de pólos Dinâmica de 2ª ordem p τ [min] ζ ψ1 0.75 20 0.75 ψ2 0.75 20 0.75 Os valores iniciais utilizados para o cálculo recursivo das equações do estimador são mostrados na tabela seguinte: Tabela 6.12 Valores iniciais para o estimador de cinéticas ^ ψ 1,0 ^ ψ 2,0 -1 ρ^ 1,0 -1 ρ^ 2,0 -1 mmole.L mmole.L L.mmole min -25.3 -60.8 1×10 -4 -1 h -1 1×10 -4 Na Figura 6.22 apresentam-se os perfis das variáveis ψ1 e ψ2. São comparados os valores pseudo medidos calculados pela equação (6.133) com os valores estimados pelas equações (6.136) e (6.137) para os dois métodos de sintonização. É visível a boa coincidência entre os valores estimados e os valores pseudo medidos. Na Figura 6.23 apresentam-se as estimativas das taxas específicas de reacção. Os dois métodos de sintonização demonstram uma certa similitude entre os resultados obtidos. 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 20 207 (a) 10 0 -10 valores pseudo medidos -20 valores estimados (EDSO) valores estimados (c. polos) -30 0 -45 50 100 150 200 250 Tempo [min] 300 350 400 (b) -50 -55 valores pseudo medidos -60 valores estimados (EDSO) valores estimados (c. polos) -65 0 50 100 150 200 250 Tempo [min] 300 350 400 Figura 6.22 Perfis das variável ψ1 (a) e ψ2 (b) -4 2.5 x 10 valores estimados (EDSO) valores estimados (c. polos) (a) 2 1.5 1 0 50 100 150 200 250 Tempo [min] 300 350 400 -3 2 x 10 (b) valores estimados (EDSO) valores estimados (c. polos) 1.5 1 0.5 0 0 50 100 150 200 250 Tempo [min] 300 350 400 Figura 6.23 Perfis de estimativas das taxas específicas de reacção (a) ρ1, (b) ρ2 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 208 Os valores das estimativas das taxas específicas de reacção permitem calcular as taxas de reacção. Desse modo, tem-se: ^ =ρ ^ S S ^ ^ ^ ^ ^ ϕ 1,k 1,k 1,k 2,k ϕ2,k = ρ2,kS2,k e ϕ3,k = ϕ1,k – ϕ2,k (6.150) Estes valores são apresentados na figura seguinte: 0.4 (a) valores estimados (EDSO) valores estimados (c. polos) 0.2 0 50 100 150 200 250 300 350 400 Tempo [min] (b) valores estimados (EDSO) valores estimados (c. polos) 0.1 0 0 50 100 150 200 250 300 350 400 Tempo [min] 0.4 (c) valores estimados (EDSO) valores estimados (c. polos) 0.2 0 50 100 150 200 250 300 350 400 Tempo [min] Figura 6.24 Perfis de estimativas das taxas de reacção (a) ϕ1, (b) ϕ2, (c) ϕ3 A validação da estimação das cinéticas é efectuada através do cálculo das concentrações de fenilglicina e ampicilina conforme equações (6.148) e 6.149) empregando os valores estimados das taxas específicas de reacção. A Figura 6.25 expõe esta validação onde se confirma o bom desempenho de ambos os estimadores. No caso da ampicilina há uma diferença acentuada entre a estimativa e o valor obtido por medição em HPLC para os dois primeiros pontos após o tempo zero. Nota-se também que as estimativas de ampicilina que usam as taxas de reacção estimadas pelo EDSO apresentam uma menor diferença para os valores medidos experimentalmente. A Figura 6.26 ilustra a variação dos ganhos utilizados em cada estimador. 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA FG [mmole/L] 60 209 (a) 50 40 valores medidos 30 valores estimados (EDSO) valores estimados (c. polos) 20 0 50 100 150 200 250 Tempo [min] 300 350 400 8 Amp [mmole/L] (b) 6 4 valores medidos 2 valores estimados (EDSO) valores estimados (c. polos) 0 0 50 100 150 200 250 Tempo [min] 300 350 400 Figura 6.25 Validação da estimação das cinéticas: comparação entre valores medidos e valores estimados para (a) concentração de fenilglicina, (b) ampicilina -2 10 -5 10 (a) (b) -6 10 -3 10 -7 10 -8 10 -4 10 -9 10 -5 10 -10 0 100 200 300 400 10 0 100 Tempo [min] 200 300 400 300 400 Tempo [min] (c) -4 10 (d) 0.1 -5 10 0.09 -6 10 0.08 0.07 0 -7 100 200 Tempo [min] 300 400 10 0 100 200 Tempo [min] Figura 6.26 Perfis dos ganhos dos estimadores: (a) ω1 (b) ω2 (c) Ω1 (d) Ω2 (a, b, c, d - colocação de pólos; c, d - dinâmica de 2ª ordem) 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 210 De modo a testar o efeito do coeficiente de amortecimento ζ na estimação das taxas específicas de reacção fez variar-se este coeficiente de 0.5 a 1 (usou-se o mesmo valor para a estimação de ρ1 e ρ2) para um valor constante de τ igual a 20 minutos. Os resultados estão expressos na Figura 6.27. As estimações não parece variarem significativamente com essa progressão de ζ, registando-se contudo uma estimação anormal com valores negativos de ρ2 para valores de ζ próximos de 0.5. -4 x 10 2.5 2 1.5 1 0.9 0.8 0.7 0.6 0.5 0 100 200 300 400 Tempo [min] -3 x 10 2 1 0 0.9 0.8 0.7 0.6 0.5 0 100 200 300 400 Tempo [min] Figura 6.27 Efeito do coeficiente de amortecimento ζ na estimação de ρ1 (a) e ρ2 (b) Para testar o efeito da constante de tempo τ na estimação das taxas específicas de reacção fez variar-se este parâmetro de 15 a 45 minutos (usou-se o mesmo valor para a estimação de ρ1 e ρ2) para um valor constante de ζ igual a 0.75. Os resultados são expostos na Figura 6.28. Nota-se, para valores crescentes da constante de tempo, que as estimações apresentam uma certa perda de sensibilidade para responder às alterações na dinâmica do processo. Regista-se também uma estimação anormal com valores negativos de ρ2 para valores de τ próximos de 15 minutos. 6.6 OBSERVADORES E ESTIMADORES PARA A SÍNTESE ENZIMÁTICA DE AMPICILINA 211 -4 x 10 2.5 2 1.5 1 40 30 20 0 100 200 300 400 Tempo [min] -3 x 10 2 1 0 40 30 20 0 100 200 300 400 Tempo [min] Figura 6.28 Efeito da constante de tempo τ na estimação de ρ1 (a) e ρ2 (b) Identicamente, testou-se o efeito da posição do pólo na estimação das taxas específicas de reacção pelo método de colocação de pólos. Fez variar-se este parâmetro de 0.4 a 0.95 (usou-se o mesmo valor para a estimação de ρ1 e ρ2). Os resultados são expostos na Figura 6.29. Nota-se, para valores crescentes da posição do pólo, que as estimações apresentam também uma certa perda de sensibilidade para responder às alterações na dinâmica do processo. Registe-se ainda uma estimação anormal com valores negativos de ρ2 para valores de p próximos de 0.4. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 212 -4 x 10 2.5 2 1.5 1 1 0.8 0.6 0.4 0 100 200 300 400 Tempo [min] -3 x 10 2 1 0 1 0.8 0.6 0.4 0 100 200 300 400 Tempo [min] Figura 6.29 Efeito da posição do pólo na estimação de ρ1 (a) e ρ2 (b) 6.7 Síntese Neste capítulo foram apresentados sensores por programação para estimação de estados e de parâmetros (cinéticas de reacção) em processos biotecnológicos. Estes algoritmos são baseados na estrutura do modelo geral de reactores biológicos. A estimação de variáveis de estado foi realizada através do observador assimptótico de BASTIN e DOCHAIN (1990). Foram apresentados diferentes estimadores de cinética tendo sido proposta uma alternativa de sintonização dos ganhos que conduz a uma dinâmica de resposta de 2ª ordem. Os sensores por programação foram validados por simulação e em experiências reais para os processos em estudo. Para o fermento de padeiro estimam-se as concentrações de etanol, biomassa e glucose com base em medições de oxigénio e dióxido de carbono dissolvidos e em fase gasosa. Os resultados obtidos por simulação mostram um bom comportamento do observador, 6.8 BIBLIOGRAFIA 213 notando-se apenas uma certa sensibilidade a ruídos na estimativa da glucose. As estimativas das três taxas específicas de crescimento demonstram uma prestação muito boa dos estimadores, obtendo-se resultados mais estáveis e com um menor índice de erro para a utilização do estimador de dinâmica de resposta de 2ª ordem, comparativamente ao estimador baseado no observador. No caso da fermentação etanólica foi proposto um estimador da taxa específica de crescimento que não necessita do conhecimento dos coeficientes de rendimento. As estimativas da taxa específica de crescimento permitiram estimar em linha as concentrações de biomassa e glucose. A estimação desta última permite detectar os instantes do seu consumo total. A comparação daqueles valores com medições em diferido indicia um bom desempenho do estimador. Para a síntese enzimática de ampicilina foram estimadas as concentrações de ampicilina, metilfenilglicina e metanol por via da medição das concentrações de fenilglicina e ácido 6-aminopenicilânico. A comparação das estimativas com valores disponíveis permite concluir sobre a boa prestação do observador. Foram também estimadas as taxas específicas de reacção e a partir destas calculou-se as velocidades de reacção. A validação destas estimativas, efectuada com a estimação da ampicilina e da fenilglicina, demonstra um bom comportamento do estimador. As estimativas das variáveis de estado e das taxas cinéticas podem constituir uma peça fundamental para a implementação de estratégias de controlo. O próximo capítulo poderia utilizar estas estimativas para cálculo directo da lei de controlo. Será, no entanto, utilizada uma abordagem baseada em leis de adaptação de parâmetros. 6.8 Bibliografia ABORHEY, S., WILLIAMSON, D. State and Parameter Estimation of Microbial Growth Processes. Automatica, 14, 493-498, 1978. ATROUNE, D., MONTELLANO, R., CHERUY, A. Nonlinear Observers for Biotechnological Processes. IFACIEEE Symp. on Nonlinear Control Systems Design, Capri, 1988. AYNSLEY, M., HOFLAND, A., MORRIS, A.J., MONTAGUE, G.A., DI MASSIMO, C. Artificial Intelligence and the Supervision of Bioprocesses (Real-Time Knowledge-Based Systems and Neural Networks). Advances in Biochemical Engineering/Biotechnology, Vol. 48: Bioprocess Design and Control, (A. FIECHTER, Ed.) Springer-Verlag, Berlin, 1-28, 1993. BASTIN, G. State Estimation and Adaptive Control of Multilinear Compartmental Systems: Theoretical Framework and Application to (Bio)Chemical Processes. New Trends in Nonlinear Systems Theory, Lecture Notes on Control and Information Science, nº 122, 341-352, Springer Verlag, Berlin, 1988. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 214 BASTIN, G., DOCHAIN, D. On-line Estimation of Microbial Specific Growth Rates. Automatica, 22, 6, 1986. BASTIN, G., DOCHAIN, D. On-line Estimation and Adaptive Control of Bioreactors, Elsevier Science Publishers, Amsterdam, 1990. BASTIN, G., GEVERS, M. Stable Adaptive Observers for Nonlinear Time-Varying Systems. IEEE Trans. Aut. Control, 33:7, 650-658, 1988. BASTIN, G., MAREELS, I.M.Y., DOCHAIN, D., GEVERS, M. Sufficient Experimental Conditions for the Convergence of an Adaptive Observer for Nonlinear Biochemical Processes. Proc. of 8th IFAC Symposium on Identification and System Parameter Estimation, Beijing, vol. 3, 1762-1766, 1988. BECK, M.B., YOUNG, P.C., An Introduction to System Identification, Parameter and State Estimation, Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 129-158, 1989. BELLGARDT, K.-H., KUHLMANN, W., MEYER, H.-D., SCHÜGERL, K., THOMA, M. Application of an Extended Kalman Filter for State Estimation of a Yeast Fermentation. IEE Proc., Pt. D (Control in Bioprocessing), 133:5, 226-234, 1986. BULSARI, A., SAXÉN, H. Using Feed-Forward Neural Networks for Estimation of Microbial Concentration in a Simulated Biochemical Process. Biosensors & Bioelectronics, 9:2, 105-109, 1994. CAMINAL, G., LAFUENTE, J., LÓPEZ-SANTIN, J., POCH, M., SOLÀ, C. Application of Extended Kalman Filter to Identification of Enzymatic Deactivation. Biotechnol. Bioeng., 29, 366-369, 1987. CARLEYSMITH, S.W. Monitoring of Bioprocessing. Modelling and Control of Fermentation Processes, cap. nº 7, (J.R. LEIGH, Ed.), Peter Peregrinus Ltd., Stevenage, 97-117, 1986. CHAO, S.-B., SCHARER, J.M., MOO-YOUNG, M. A General Method for Biological Parameter Estimation. Biotechnol. Techniques, 6, 6, 495-500, 1992. CHATTAWAY, T., MONTAGUE, G.A., MORRIS, A.J. Fermentation Monitoring and Control, Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 3: Bioprocessing (G. STEPHANOPOULOS, Ed. Vol.), VCH, Weinheim, cap. 14, 319-354, 1993. COONEY, C.L., WANG, H.Y., DANIEL, I.C. Computer-Aided Material Balancing for Prediction of Fermentation Parameters. Biotechnol. Bioeng., 19, 55-67, 1977. DEKKERS, R.M. State Estimation of a Fed-Batch Baker's Yeast Fermentation. Modelling and Control of Biotechnical Processes (Proc. 1st IFAC Workshop, Helsinki, Finland, 1982, A. HALME, Ed.), Pergamon Press, Oxford, 201-212, 1983. DI MASSIMO, C., LANT, P.A., SAUNDERS, A., MONTAGUE, G.A., THAM, M.T., MORRIS, A.J. Bioprocess Applications of Model-Based Estimation Techniques. J. Chem. Tech. Biotechnol., 53, 265-277, 1993. DOCHAIN, D. On-Line Parameter Estimation, Adaptive State Estimation and Adaptive Control of Fermentation Processes. Dissertação de Doutoramento, Université Catholique de Louvain, 1986. DOCHAIN, D., BASTIN, G. Adaptive Identification and Control Algorithms for Nonlinear Bacterial Growth Systems. Automatica, 20, 5, 621-634, 1984. DOCHAIN, D., BASTIN, G. Stable Adaptive Algorithms for Estimation and Control of Fermentation Processes. Modelling and Control of Biotechnological Processes (Proc. 1st IFAC Symp., Noordwijkerhout, The Netherlands 1985, A. JOHNSON, Ed.), Pergamon Press, Oxford, 37-42, 1986. DOCHAIN, D., DE BUYL, E., BASTIN, G. Experimental Validation of a Methodology for On-line State Estimation in Bioreactors. Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 187-194, 1989. DOCHAIN, D., PAUSS, A. On-line Estimation of Microbial Specific Growth-Rates. Can. J. Chem. Eng., 66, 626-631, 1988. DOCHAIN, D., PERRIER, M., YDSTIE, B.E. Asymptotic Observers for Stirred Tank Reactors. Chem. Eng. Sci., 47, 4167-4178, 1991. 6.8 BIBLIOGRAFIA 215 DUBACH, A.CH., MARKL, H. Application of an Extended Kalman Filter Method for Monitoring High Density Cultivation of Escherichia coli. J. Ferment. Bieng., 73:5, 396-402, 1992. FLAUS, J.M., CHERUY, A., ENGASSER, J.-M., POCH, M., SOLÀ, C. Estimation of the State and Parameters in Bioprocesses from Indirect Measurements. Proc. 1st European Control Conference - ECC91, Hermès, Grenoble, 1642-1647, 1991. FLAUS, J.M., CHERUY, A., PONS, M.-N., ENGASSER, J.-M. Estimation de l'État Physiologique des Microorganisms dans un Bioprocédé. R.A.I.R.O., 23, 211-220, 1989. GALLEGOS, J.A., GALLEGOS, J.A. Estimation and Control Techniques for Continuous Culture Fermentation Processes. Biotechnol. Bioeng., 26, 442-451, 1984. GAUTHIER, J.P., HAMMOURI, H., OTHMAN, S. A Simple Observer for Nonlinear Systems Applications to Bioreactors. IEEE Trans. Aut. Control, 37, 6, 875-880, 1992. GOMES, J., MENAWAT, A.S. Estimation of Fermentation Parameters Using Partial Data. Biotechnol. Prog., 8, 118-125, 1992. GOODWIN, G.C., SIN, K.S. Adaptive Filtering, Prediction and Control, Prentice-Hall, 1984. GRAINDORGE, P., CHARBONNIER, S., MAGNIN, J.P., MAUVY, C., CHERUY, A. A Software Sensor of Biological Activity Based on a Redox Probe for the Control of Thiobacillus ferrooxidans Cultures. J. Biotechnol., 35:1, 87-96, 1994. HAGANDER, P., AXELSSON, J.P., HOLST, O. Substrate Control of Biotechnical Fedbatch Processes Robustness and the Role of Adaptivity. Preprints 11th IFAC World Congress, Tallinn, Estonia, Vol. 11, 280-285, 1990. HARDWICKE, P.I., KENT, C.A., NORTON, J.P., VERES, S.M. A Robust Procedure for Trend and Model Estimation during Fermentation. Process Biochem., 26, 269-273, 1991. HILALY, A.K., KARIM, M.N., LINDEN, J.C. Real Time Application of Extended Kalman Filtering in Estimation and Optimization of a Recombinant Escherichia coli Fermentation. Modeling and Control of Biotechnical Processes 1992 (2nd IFAC Symp. and 5th Int. Conf. Computer Applications in Fermentation Technology, Keystone USA, M. NAZMUL KARIM, G. STEPHANOPOULOS, Eds.), Pergamon Press, Oxford, 371-374, 1992. HOLMBERG, A., RANTA, J. Procedures for Parameter and State Estimation of Microbial Growth Process Models. Automatica, 18, 2, 181-193, 1982. HUMPHREY, A.E. Current Developments in Fermentation. Chem. Eng., 81:26, 98-112, 1974. IGNATOVA, M., LJUBENOVA, V., KRALCHEV, N. Adaptive Algorithms for Estimation of the Variables and Parameters of Aerobic Batch Process of Ergocriptin Biosynthesis. Biotechnology & Biotechnological Equipment, 6, 4, 44-48, 1992. JAZWINSKI, A.H. Stochastic Processes and Filtering Theory, Academic Press, San Diego, 1970. JEFFERIS III, R.P. Parameter Estimation and Digital Filter Techniques. Ann. N.Y. Acad. Sci., 326, 241-247, 1979. KALMAN, R.E. A New Approach to Linear Filtering and Prediction Problems. J. Basic Eng., Trans. ASME, Ser. D, 82:1, 35-45, 1960. KARIM, M.N., RIVERA, S.L. Artificial Neural Networks in Bioprocess State Estimation. Advances in Biochemical Engineering/Biotechnology Vol. 46: Modern Biochemical Engineering, (A. FIECHTER, Ed.) Springer-Verlag, Berlin, 1-34, 1992. LANT, P.A., THAM, M.T., MONTAGUE, G.A. On the Applicability of Adaptive Bioprocess State Estimators. Biotechnol. Bioeng., 42, 1311-1321, 1993. LEE, K.-S. Feedback Optimization of Fed-batch Baker's Yeast Fermentation. Dissertação de Doutoramento, Purdue University, 1990. LEIGH, J.R., TAMPION, J., NG, M.H. Application of Estimation Techniques in Fermentatation Technology. Progress in Industrial Microbiology, Volume 25: Computers in Fermentation Technology (M.E. BUSHELL, Ed.), cap. nº 3, Elsevier Science Publishers, Amsterdam, 73-90, 1988. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 216 LIAO, J.C. Fermentation Data Analysis and State Estimation in the Presence of Incomplete Mass Balance. Biotechnol. Bioeng., 33, 613-622, 1989. LIMQUECO, L., KANTOR, J.C., HARVEY, S. Nonlinear Adaptive Observation of an Exothermic Stirred-tank Reactor. Chem. Eng. Sci., 46, 3, 797-805, 1991. LINKO, P., ZHU, Y. Neural Network Programming in Bioprocess Variable Estimation and State Prediction. J. Biotechnol., 21, 253-270, 1991. LJUNG, L. Asymptotic Behaviour of the Extended Kalman Filter as a Parameter Estimator for Linear Systems. IEEE Trans. Aut. Cont., 24, 36-50, 1979. LOCHER, G., SONNLEITNER, B., FIECHTER, A. On-line Measurement in Biotechnology: Techniques. J. Biotechnol. (Special Issue High-Tech Analyses in Modern Biotechnology), 25, 1/2, 23-53, 1992a. LOCHER, G., SONNLEITNER, B., FIECHTER, A. On-Line Measurement in Biotechnology: Exploitation, Objectives and Benefits. J. Biotechnol. (Special Issue High-Tech Analyses in Modern Biotechnology), 25, 1/2, 55-73, 1992b. LUENBERGER, D.G. Observing the State of a Linear System. IEEE Trans. Mil. Electron. AC-18, 74-80, 1964. LJUBENOVA, V., IGNATOVA, M. An Approach for Parameter Estimation of Biotechnological Processes. Bioprocess Eng., 11:4, 107-113, 1994. LJUNG, L. System Identification: Theory for the User, Prentice Hall, Englewood Cliffs, 1987. MAREELS, I.M.Y., GEVERS, M., BASTIN, G., DOCHAIN, D. Exponential Convergence of a New Error System Arising from Adaptive Observers. Proc. 26th IEEE Conf. on Decision and Control, Los Angeles, Vol. 1, 16-19, 1987. MCGREAVY, C., CASTRO, J.A.A.M. State Estimation Techniques in the Identification of Chemical Reactive Systems. ChemPor’81, 2.78-2.92, 1981. MESCHKE, J., BENNEMANN, H., HERBST, H., DORMEIER, S., HEMPEL, D.C. On-line HPLC-measurement and Control of Substrate in a Continuously Operated Biological Tank Reactor. Bioprocess Eng., 3, 151-157, 1988. MONTAGUE, G.A., MORRIS, A.J., THAM, M.T. Enhancing Bioprocess Operability with Generic Software Sensors. J. Biotechnol. (Special Issue High-Tech Analyses in Modern Biotechnology), 25, 1/2, 183201, 1992. MONTGOMERY, P.A., WILLIAMS, D. On-line Estimation of Cell Mass using an Extended Kalman Filter. Computer Applications. Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 221-226, 1989. MOU, D.-G., COONEY, C.L. Growth Monitoring and Control Through Computer-Aided On-Line Mass Balance in a Fed-Batch Penicillin Fermentation. Biotechnol. Bioeng., 25, 225-255, 1983a. MOU, D.-G., COONEY, C.L. Growth Monitoring and Control in Complex Medium: A Case Study Employing Fed-Batch Penicillin Fermentation and Computer-Aided On-Line Mass Balancing. Biotechnol. Bioeng., 25, 257-269, 1983b. NÁHLIK, J., BURIANEC, Z. On-line Parameter and State Estimation of Continuous Cultivation by Extended Kalman Filter. Appl. Microbiol. Biotechnol., 28, 128-134, 1988. NARENDRA, K.S., ANNASWAMY, A.M. Stable Adaptive Systems, Prentice-Hall, Inc., Englewood Cliffs NJ, 1989. OLIVEIRA, R., FERREIRA, E.C., OLIVEIRA, F., FEYO DE AZEVEDO, S. A Study on the Convergence of Observer-Based Kinetics Estimators in Stirred Tank Bioreactors. Proc. 5th Int. Symp. on Process Systems Engineering PSE'94, Kyongju, Korea, (E.S. YOON, Ed.), Korean Institute of Chemical Engineers, 683-687, 1994. POMERLEAU, Y. Modelisation et Contrôle d'un Procédé Fed-Batch de Culture des Levures à Pain (Saccharomyces cerevisiae). Université de Montreal, 1990. POMERLEAU, Y., PERRIER, M. Estimation of Multiple Specific Growth Rates in Bioprocesses. AIChE J., 36, 2, 207-215, 1990. 6.8 BIBLIOGRAFIA 217 POMERLEAU, Y., PERRIER, M. Estimation of Multiple Specific Growth Rates: Experimental Validation. AIChE J., 38, 11, 1751-1760, 1992. PONS, M.-N., ENGASSER, J.-M. Comparison Between Adaptive and Model-based Extended Kalman Filters. American Control Conference, Pittsburgh, 1989-1993, 1989. RAMSEIER, M., AGRAWAL, P., MELLICHAMP, A.D. Adaptive Nonlinear Cell Mass State Estimator for a Continuous Yeast Fermentation. AIChE J., 39, 2, 344-354, 1993. RENARD, P. Vérification Expérimentale de l’Application de la Théorie de l’Estimation et du Contrôle Adaptatif à des Systèmes Biologiques Non Linéaires. Dissertação de Doutoramento, Université Catholique de Louvain, Louvain-la-Neuve, Bélgica, 1990. SAN, K.-Y., STEPHANOPOULOS, G. Studies on On-line Bioreactor Identification. II. Numerical and Experimental Results. Biotechnol. Bioeng., 26, 1189-1197, 1984a. SAN, K.-Y., STEPHANOPOULOS, G. Studies on On-Line Bioreactor Identification. IV. Utilization of pH Measurements for Product Estimation. Biotechnol. Bioeng., 26, 1209-1218, 1984b. SARGANTANIS, J.G., KARIM, M.N. Multivariable Iterative Extended Kalman Filter Based Adaptive Control: Case Study of Solid Substrate Fermentation. Ind. Eng. Chem. Res., 33, 878-888, 1994. SCHÜGERL, K., LORENZ, T., LÜBBERT, A., NIEHOFF, J., SCHEPER, T., SCHMIDT, W. Pros and Cons: On-line Versus Off-line Analysis in Fermentation. Trends Biotechnol., 4:1, 11-15, 1986. SCHULER, H., SCHMIDT, CH.-U. Model-Based Measurement Techniques in Chemical Reactor Applications. Int. Chem. Eng., 33:4, 559-576, 1993. SHIMIZU, H., TAKAMATSU, T., SHIOYA, S., SUGA, K.-I. An Algorithimic Approach to Constructing the OnLine Estimation System for the Specific Growth Rate. Biotechnol. Bioeng., 33, 353-364, 1989. SIMUTIS, R., HAVLIK, I., LÜBBERT, A. Process State Estimation and Prediction in a Production-Scale Beer Fermentation using Fuzzy Aided Extended Kalman Filter and Neural Networks. Modeling and Control of Biotechnical Processes 1992 (2nd IFAC Symp. and 5th Int. Conf. Computer Applications in Fermentation Technology, Keystone USA, M. NAZMUL KARIM, G. STEPHANOPOULOS, Eds.), Pergamon Press, Oxford, 95-100, 1992a. SIMUTIS, R., HAVLIK, I., LÜBBERT, A. A Fuzzy-Supported Extended Kalman Filter: A New Approach to State Estimation and Prediction Exemplified by Alcohol Formation in Beer Brewing. J. Biotechnol. (Special Issue High-Tech Analyses in Modern Biotechnology), 24, 211-234, 1992b. SIMUTIS, R., HAVLIK, I., LÜBBERT, A. Fuzzy-Aided Neural Network for Real-Time State Estimation and Process Prediction in the Alcohol Formation Step of Production-Scale Beer Brewing. J. Biotechnol., 27, 203-215, 1993. SONNLEITNER, B. On Line Measurement and Validation in Biotechnological Processes. Int. Symp. on Bioprocess Modelling and Control, University of Newcastle upon Tyne (Eds.), Newcastle upon Tyne, 1991. SONNLEITNER, B., LOCHER, G., FIECHTER, A. Biomass Determination. J. Biotechnol. (Special Issue HighTech Analyses in Modern Biotechnology), 25:1/2, 5-22, 1992. STEPHANOPOULOS, G., PARK, S. Bioreactor State Estimation. Biotechnology A Multi-Volume Comprehensive Treatise, 2ª ed., (H.J. REHM, G. REED, A. PÜHLER, P. STADLER, Eds.), vol. 4: Measuring, Modelling and Control (K. SCHÜGERL, Ed. vol.), VCH, Weinheim, cap. 7, 225-249, 1991. STEPHANOPOULOS, G., SAN, K.-Y. Studies on On-line Bioreactor Identification. I. Theory. Biotechnol. Bioeng., 26, 1176-1188, 1984. SVRCEK, W.Y., ELLIOT, R.F., ZAJIC, J.E. The Extended Kalman Filter Applied to a Continuous Culture Model. Biotechnol. Bioeng., 16, 827-846, 1974. TARBUCK, L.A., NG, M.H., TAMPION, J., LEIGH, J.R. Development of Strategies for Online Estimation of Biomass and Secondary Product Formation in Growth-limited Batch Fermentations. IEE Proc., Pt. D (Control in Bioprocessing), 133:5, 235-239, 1986. THAM, M.T., MONTAGUE, G.A., MORRIS, A.J., LANT, P.A. Soft-sensors for Process Estimation and Inferential Control. J. Proc. Cont., 1:1, 3-14, 1991. 6 MONITORIZAÇÃO AVANÇADA - OS SENSORES POR PROGRAMAÇÃO 218 THIBAULT, J., VAN BREUSEGEM, V., CHERUY, A. On-Line Prediction of Fermentation Variables Using Neural Networks. Biotechnol. Bioeng., 36, 1041-1048, 1990. TURNER, C., GREGORY, M.E., THORNHILL, N.F. Closed-Loop Control of Fed-batch Cultures of Recombinant Escherichia coli using On-line HPLC. Biotechnol. Bioeng., 44, 819-829, 1994. VAN DER HEIJDEN, R.T.J.M., HELLINGA, C., LUYBEN, K.CH.A.M., HONDERD, G. State Estimators (Observers) for the On-Line Estimation of Non- Measurable Process Variables. Trends Biotechnol., 7, 205-209, 1994. WANG, H.Y., COONEY, C.L., DANIEL, I.C. Computer-Aided Baker’s Yeast Fermentation. Biotechnol. Bioeng., 19, 69-86, 1977. WILLIAMSON, D. Observation of Bilinear Systems with Application to Biological Control. Automatica, 13, 243-254, 1977. ZABRISKIE, D.W., HUMPHREY, A.E. Real-Time Estimation of Aerobic Batch Fermentation Biomass Concentration by Component Balancing. AIChE J., 24, 1, 138-146, 1978. ZHU, Y.-H., NAGAMUNE, T., ENDO, I., LINKO, P. Neural Networks in State Variable Prediction During Startup of Chemostat Culture for Ethanol Production by Saccharomyces cerevisiae Yeast. Trans. Inst. Chem. Eng., Part C, 72, 135-142, 1994. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA EUGÉNIO C. FERREIRA FEUP 1995 7. Controlo Adaptativo “It is an error to imagine that evolution signifies a constant tendency to increase perfection. That process undoubtedly involves a constant remodelling of the organism in adaptation to new conditions; but it depends on the nature of those conditions whether the direction of the modifications effected shall be upward or downward” T.H. HUXLEY (citado em ANDERSON et al., 1986) Sumário É objectivo deste capítulo o desenvolvimento de algoritmos para controlo de processos biotecnológicos. São propostas leis de controlo adaptativo para a regulação monovariável e também para o caso multivariável. A síntese das leis de controlo não linear é feita recorrendo a técnicas de geometria diferencial com linearização do sistema por retroacção de estado. A adaptação é feita com base na estimação de parâmetros variáveis no tempo. É proposto um novo algoritmo de adaptação com dinâmica de convergência de segunda ordem. Os controladores desenvolvidos para a produção de fermento de padeiro são obtidos por redução de ordem do modelo de estado e são verificados por simulação. O objectivo do controlo monovariável é regular a concentração de etanol. Na situação de controlo multivariável, pretendem regular-se as concentrações de etanol e de oxigénio dissolvido. O controlo multivariável da produção de fermento de padeiro permite a obtenção de valores de produtividade e de rendimento superiores aos obtidos por regulação monovariável. 7.1 INTRODUÇÃO GERAL AO CONTROLO 7.2 INTRODUÇÃO AO CONTROLO ADAPTATIVO 7.3 CONTROLO ADAPTATIVO LINEARIZANTE 7.4 LEIS DE ADAPTAÇÃO 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 7.6 SÍNTESE 7.7 BIBLIOGRAFIA 7. CONTROLO ADAPTATIVO 220 7.1 Introdução geral ao controlo A etapa de controlo pode ser vista como uma aplicação da informação recolhida e tratada na etapa de monitorização. Em Teoria de Sistemas a designação Controlo de Processos está intimamente relacionada com os seguintes requisitos (STEPHANOPOULOS, 1984): segurança do processo, especificações de produção, regulamentos ambientais, restrições operacionais e aspectos económicos. O controlo é normalmente utilizado para satisfazer uma ou várias das seguintes perspectivas: eliminar influências de perturbações externas, estabilizar o processo e optimizar o desempenho do processo. A configuração convencional de controlo por retroacção (ou realimentação) consiste na utilização de medidas das variáveis a controlar para manipulação de entradas (variáveis manipuladas). O ajuste das variáveis manipuladas é efectuado de acordo com a lei de controlo implementada no controlador. Resumidamente, o objectivo do controlo será manter algumas variáveis de estado do processo (ou uma função dessas variáveis) próximas de valores de referência preestabelecidos, face a perturbações e/ou variações nas cinéticas (transporte e reacção) do processo. No caso especial de se pretender que o valor de referência (também designado por ponto estabelecido) seja constante, o problema de controlo é designado por regulação. Quando é desejável que a resposta siga uma dada tendência para a referência falar-se-á, nesse caso, de um problema de servo-controlo. Num problema de controlo, o controlador pode incorporar informação adquirida em tempo real pelos sensores ou proveniente de observadores de estado e estimadores de parâmetros. A Figura 7.1 ilustra a configuração típica de controlo por retroacção. Comparando com a Figura 5.1 nota-se que existe agora um ciclo de informação: a saída tratada do controlador, resultante da comparação com a referência, é realimentada à entrada do sistema. 7.1 INTRODUÇÃO GERAL AO CONTROLO 221 perturbações variáveis manipuladas u d Processo z saídas controladas y saídas não medidas Controlador y* referência Figura 7.1 Estrutura da configuração de controlo por retroacção Não é propósito deste capítulo fazer uma introdução detalhada à temática de controlo de processos. Os livros de texto de STEPHANOPOULOS (1984) e SEBORG et al. (1989) constituindo duas obras de introdução ao controlo de processos químicos, são duas importantes fontes de referência, de carácter pedagógico reconhecido. Sem preocupação de rever o desenvolvimento científico na área de teoria de controlo serão, contudo, apresentadas de seguida algumas referências a textos de revisão surgidos nos últimos dez anos. KOKOTOVIC (1985), num artigo de revisão sobre controlo por retroacção, apresenta uma perspectiva sobre a síntese de controladores salientando os aspectos multivariáveis e o projecto não linear. São discutidas quatro abordagens ao problema de projecto em controlo por retroacção: retroacção linear multivariável, controlo adaptativo para retroacção não linear, controlo não linear composto (técnicas assimptóticas ou geométricas) e retroacção não linear através de linearização externa. O Comité Técnico de Teoria de Controlo da IFAC publica um relatório (LJUNG, 1988) sobre o desenvolvimento na investigação de aspectos teóricos de controlo durante o período 1984-1986, em que é coberto somente 1% dos cerca de 23000 (vinte e três mil!) artigos em Teoria e Controlo de Sistemas. O relatório apresenta os seguintes tópicos principais: sistemas lineares, controlo robusto e projecto de controladores, controlo adaptativo, sistemas de parâmetros distribuídos, identificação de sistemas, controlo não linear, aspectos computacionais, filtros não lineares e controlo estocástico. FISCHER (1991) faz uma retrospectiva sobre os diferentes conceitos em controlo de processos. Começando pelas técnicas convencionais de controlo (retroacção, antecipação, 7. CONTROLO ADAPTATIVO 222 cascata), revê as abordagens baseadas em modelos (controlo de modelo interno, controlo preditivo multivariável, controlo de modelo preditivo), o controlo adaptativo e sistemas periciais. Apresenta ainda aspectos relacionados com a implementação computacional de algoritmos de controlo (computadores, programas e comunicações). BEQUETTE (1991) revê, num extenso artigo, o desenvolvimento em sistemas de controlo não linear em processos químicos. O autor cita vários exemplos de aplicação de técnicas não lineares ao controlo de reactores biológicos. MORARI (1994) apresenta um artigo de revisão da investigação actual em controlo de processos, centralizado nos problemas de identificação para controlo, no controlo de sistemas não lineares através de técnicas geométricas e no controlo preditivo. Aborda ainda a área de monitorização, diagnóstico e controlo de qualidade. 7.2 Introdução ao controlo adaptativo 7.2.1 Aspectos gerais A Figura 7.2 mostra a estrutura genérica de um sistema de controlo adaptativo. Este é formado por dois ciclos de retroacção, sendo um deles um ciclo de retroacção do tipo dos existentes nos sistemas realimentados de parâmetros constantes e o outro uma retroacção não linear que permite adaptar os ganhos do controlador de acordo com uma regra de aprendizagem. Uma panorâmica geral do controlo adaptativo pode ser encontrada nos seguintes livros: ÅSTRÖM e WITTENMARK (1984 e 1989), GOODWIN e SIN (1984), SASTRY e BODSON (1989) e NARENDRA e ANNASWAMY (1989). Os seguintes artigos de revisão deverão complementar o conhecimento do tema: ASHER et al. (1976), ÅSTRÖM (1983), BÉLANGER (1982), ISERMANN (1982), SEBORG et al. (1986), LANDAU (1993), NAJIM e M'SAAD (1991), WITTENMARK (1975). 7.2.2 Controlo auto-sintonizável Uma das classes mais importantes do controlo adaptativo é o controlo auto-sintonizável (ÅSTRÖM e WITTENMARK, 1973; CLARKE e GAWTHROP, 1975; WELLSTEAD e ZARROP, 1991). Usa uma lei de adaptação para estimação dos parâmetros do modelo, utilizados em linha para cálculo dos ganhos do controlador de acordo com uma dada regra do projecto. Um exemplo de aplicação a processos biotecnológicos pode ser encontrado em VERBRUGGEN et 7.2 INTRODUÇÃO AO CONTROLO ADAPTATIVO 223 al. (1986). Figura 7.2 Controlo adaptativo 7.2.3 Modelo de referência Uma outra família é o controlo adaptativo com modelo de referência (LANDAU, 1982 e 1987; KREISSELMEIER e NARENDRA, 1982). O sistema em ciclo fechado é levado a comportar-se com uma dinâmica fixada num modelo de referência dado. Classicamente utilizado para sistemas lineares, são possíveis extensões a sistemas não lineares. Existem ainda poucos exemplos de aplicação deste tipo de controlo adaptativo em tecnologia de fermentação (ZENG et al., 1993; TAKAMATSU et al., 1985). 7.2.4 Controlo adaptativo não linear A exploração do conhecimento da estrutura não linear dos processos permite uma melhoria do rendimento dos controladores adaptativos (BASTIN, 1991; BASTIN e DOCHAIN, 1988). Este facto é explorado em muitos algoritmos de controlo adaptativo de fermentadores (MONTAGUE et al., 1986; MONTGOMERY et al., 1986; LEE et al., 1991, DOCHAIN, 1991). Uma outra possibilidade consiste na linearização global utilizando técnicas de realimentação e a aplicação de controladores adaptativos para sistemas lineares (SASTRY e ISIDORI, 1989; KANELLAKOPOULOS et al., 1991). Os exemplos de aplicação desta técnica em processos biotecnológicos são ainda bastante recentes (HOO e KANTOR, 1986). 7.2.5 Controlo preditivo de horizonte recidivo Os controladores auto-sintonizáveis clássicos são baseados na optimização de um funcional de custo em tempo discreto de um único passo. Nos controladores adaptativos de horizonte alargado, o número de passos do funcional é aumentado, sendo o comportamento 7. CONTROLO ADAPTATIVO 224 do processo ao longo deste horizonte deslizante no tempo descrito por um conjunto de modelos preditivos (PETERKA, 1984; CLARKE et al., 1987). O controlo preditivo apresenta uma extensa literatura (ver por exemplo, MARTIN-SÁNCHEZ et al., 1984; MOSCA et al., 1989; BITMEAD et al., 1990) existindo já estudos de aplicação a fermentadores (VIGIÉ et al., 1990). 7.2.6 Controlo robusto adaptativo No controlo robusto tem-se em consideração não apenas o modelo nominal em que é baseado o projecto, mas também uma envolvente de erro que lhe está associada. Existem várias técnicas para o projecto de controladores robustos, tal como o Q-design em que o projecto do controlador é reduzido a um problema de optimização convexa no espaço de todos os controladores estabilizantes que satisfazem as especificações, a síntese linear quadrática com recuperação do ganho do ciclo e técnicas baseadas na minimização da norma H∞ (MORARI e ZAFIRIOU, 1989). O controlo robusto adaptativo (BHAT et al., 1991) integra o controlo robusto e o controlo adaptativo. É estimado não apenas um modelo nominal, mas uma incerteza associada ao seu conhecimento, sendo os ganhos do controlador calculados em linha, tendo em conta esta incerteza. 7.2.7 Estimação e controlo inferencial Dadas as dificuldades referidas para a instrumentação dos processos de fermentação, a estimação dos estados e o controlo inferencial têm uma grande importância (BASTIN, 1989; BASTIN e GEVERS, 1988; DOCHAIN e BASTIN, 1984 e 1985; POMERLEAU e PERRIER, 1992; POMERLEAU e VIEL, 1992). No controlo inferencial, a medida directa de uma variável que se pretende controlar, mas que não está acessível por motivos tecnológicos, é substituída por uma sua estimativa. Esta é obtida a partir de um modelo do processo e de variáveis auxiliares (Figura 7.3). 7.2.8 Perturbações singulares A separação de escalas de tempo pode ser utilizada para o desenvolvimento de controladores adaptativos baseados em técnicas de perturbações singulares (KOKOTOVIC et al., 1986; VAN BREUSEGEM e BASTIN, 1991 e 1992). 7.3 CONTROLO ADAPTATIVO LINEARIZANTE 225 Figura 7.3 Controlo inferencial 7.2.9 Controlo óptimo O controlo de processos biotecnológicos pode ser considerado de um ponto de vista do Controlo Óptimo (ATHANS e FALB, 1966) em que as entradas do processo são determinadas de modo a optimizar uma funcional de custo definida ao longo de um horizonte correspondente ao tempo de operação do reactor. As ferramentas básicas são o Princípio de PONTRYAGIN e a Programação Dinâmica (MACKI e STRAUSS, 1982). Neste caso, uma separação das escalas de tempo permite a separação entre os problemas de optimização (em que são determinados os perfis de evolução do estado que optimizam o custo) e o problema de regulação (isto é, de como excitar os sistema de modo a seguir o perfil óptimo). As referências AGRAWAL et al. (1989), MODAK et al. (1986 e 1989) e KURTANJEK (1991) ilustram estes dois problemas. A abordagem adaptativa ao controlo óptimo tem merecido recentemente alguma atenção. Os trabalhos de CHANG e LIM (1990), HARMON et al. (1987), SEMONES e LIM (1989), SHI et al. (1989) e VAN IMPE (1993) ilustram essa abordagem. 7.3 Controlo adaptativo linearizante Surgiram recentemente técnicas avançadas de geometria diferencial (BORNARD et al., 1988, HENSON e SEBORG, 1990, KRAVARIS e KANTOR, 1990ab) para resolver problemas de controlo não linear aplicado a sistemas não lineares. Basicamente, a ideia será encontrar transformações não lineares nas variáveis de estado e/ou nas variáveis manipuladas de modo a que quando aplicada a um dado sistema não linear se obtenha um comportamento dinâmico linear para o ciclo fechado de controlo. 7. CONTROLO ADAPTATIVO 226 A metodologia para a síntese da lei de controlo não linear segue o trabalho de BASTIN e DOCHAIN (1990) que utilizam o controlo linearizante monovariável por retroacção de estado (ISIDORI, 1989) para o controlo de reactores biológicos. Este método de linearização (ISIDORI e RUBERTI, 1984) permite desenvolver uma lei de controlo de retroacção que origina lato sensu a linearidade do sistema em ciclo fechado relativamente a entrada e saída. A extensão ao problema do controlo de sistemas biotecnológicos com várias entradas e várias saídas foi formulado por DOCHAIN (1991). A Figura 7.4 pretende comparar o controlo linearizante com o controlo convencional (BASTIN e DOCHAIN, 1990). Figura 7.4 Controlo convencional vs. Controlo linearizante No presente trabalho são apresentadas leis de controlo mono- e multivariável baseadas no modelo dinâmico geral de reactores biológicos: dξ = Kϕ (ξ , t ) − Dξ + F − Q dt com ξ ∈Rn (n componentes de estado) e ϕ ∈Rm (m reacções). (4.4)=(7.1) 7.3 CONTROLO ADAPTATIVO LINEARIZANTE 227 7.3.1 Controlo monovariável Num problema de controlo monovariável o objectivo será controlar uma variável de saída escalar que poderá ser uma combinação linear de variáveis de estado: n y = ∑ Liξi = LT ξ (7.2) i =1 T em que L = [L1, L2, ..., Ln] é um vector de constantes conhecidas. A entrada de controlo (representada por “u”) deverá ser uma taxa de alimentação de um substrato exterior introduzido no processo, sendo o vector F decomposto como F = bu + f (7.3) Com estas definições o modelo é reescrito como se segue: dξ = Kϕ (ξ ) − Dξ + bu + f − Q dt (7.4) Pressupõe-se que f e Q são medidos em linha e que ξ é conhecido por medição ou através de um observador. O objectivo do controlo com retroacção de estado é seguir um dado sinal de saída de referência representado por y*(t). O princípio do controlo linearizante é encontrar um lei de controlo u(ξ, Q, f, y*) que seja uma função não linear multivariável de ξ, Q, f e y* tal que o erro de convergência do controlador ~y = (y* – y) (7.5) seja governado por uma equação diferencial linear estável pré especificada chamada modelo de referência. O projecto do controlo linearizante é um procedimento em três etapas (BASTIN e DOCHAIN, 1990) que se apresenta de seguida: Etapa 1 : Derivar um modelo de entrada/saída por sucessivas diferenciações do modelo dinâmico geral para que a variável manipulada apareça no resultado, tal que o modelo de entrada/saída seja linear relativamente a u(t): 7. CONTROLO ADAPTATIVO 228 dδ y = f 0 ( t ) + u ( t ) f1 ( t ) dt δ (7.6) em que δ é a ordem da equação diferencial chamada grau relativo (ISIDORI, 1989). Etapa 2 : Seleccionar um modelo de referência linear estável para o erro de convergência, como se segue: δ ∑ λδ − j j =0 dj * ⎡ y ( t ) − y ( t ) ⎤⎦ = 0 dt j ⎣ λo=1 (7.7) Os coeficientes λδ-j são escolhidos tal que a equação diferencial seja estável. Este modelo de referência representa o modo como se pretende que o erro de convergência diminua (Figura 7.5). Figura 7.5 Erro de convergência Etapa 3 : Projecto da lei de controlo Calcular a acção de controlo u(t) de forma a que o modelo de entrada/saída (7.6) coincida exactamente com o modelo de referência (7.7). Isto é conseguido por eliminação de dδy/dtδ em ambas as equações: u (t ) = δ −1 1 ⎡ dj dδ y ∗⎤ − + λ ⎡ ∗ − ⎤ + f t y t y t ( ) ( ) ( ) ∑ ⎢ o δ−j ⎦ dt δ ⎥ f1 ( t ) ⎣ dt j ⎣ j =0 ⎦ (7.8) Normalmente o problema de controlo em reactores biológicos, com operação semi- 7.3 CONTROLO ADAPTATIVO LINEARIZANTE 229 contínua ou contínua, é colocado em termos da regulação de variáveis de estado através da manipulação do caudal de alimentação (indirectamente via taxa de diluição). A formulação anterior será ilustrada de seguida com a utilização da taxa de diluição (D) como acção de controlo. Assume-se que: • os coeficientes de rendimento são desconhecidos; • as taxas de reacção ϕ são desconhecidas; • os vectores F e Q e a taxa de diluição D são conhecidos seja por medição ou imposição do operador; • as taxas de alimentação na forma líquida são escritas como: F = DSe, em que Se é o vector das concentrações de substrato na alimentação. Tendo em consideração a estrutura do modelo dinâmico geral (7.1) facilmente se obtém o modelo de entrada/saída, de grau relativo igual à unidade (δ=1) e escrito como: dy = − LT Q + LT Kϕ + D ( LT Se − y ) dt (7.9) Como se trata de uma equação de 1ª ordem, o objectivo de controlo consistirá na imposição de um ciclo fechado de dinâmica linear estável de 1ª ordem: d ∗ y − y ) + λ1 ( y ∗ − y ) = 0 ( dt λ1>0 (7.10) -1 Note-se que (λ1) pode ser visto como a constante de tempo do sistema de erro de controlo. Combinando o modelo de entrada/saída com o modelo de referência a lei de controlo linearizante é facilmente obtida: D= dy ∗ − LT Kϕ + LT Q dt LT Se − y λ1 ( y ∗ − y ) + (7.11) Dado que os coeficientes de rendimento e as taxas de reacção intervêm na lei de controlo e são assumidos como desconhecidos, haverá necessidade de os estimar em linha, por exemplo através dos algoritmos desenvolvidos na Capítulo 6. Este procedimento conduzirá a versões adaptativas do controlador linearizante (FERREIRA et al., 1993). Uma alternativa à estimação destas variáveis será reduzir a ordem do modelo 7. CONTROLO ADAPTATIVO 230 desprezando certas dinâmicas consideradas em estado pseudo estacionário (usando a técnica de perturbação singular) de modo a substituir os termos não medidos por variáveis medidas. Este procedimento será exemplificado para a produção de fermento de padeiro. 7.3.2 Controlo multivariável No caso multivariável o objectivo do controlo será controlar duas ou mais variáveis de saída y (vector e não o escalar do caso monovariável) que podem resultar de combinações lineares de variáveis de estado, conforme (7.2) mas em que L será neste caso uma matriz. A reformulação das equações do modelo dinâmico, após uma redução de ordem do modelo, conduz à seguinte equação (DOCHAIN, 1991) para a situação mais geral de controlo multivariável: dy = Φ ( ξ ) + θ T φ (ξ ) + Ψ ( ξ ) u dt (7.12) em que Φ e Ψ são matrizes conhecidas função do estado de dimensão (m×1) e (m×m) respectivamente, em que m é o número de entradas de controlo. θ é a matriz de parâmetros desconhecidos e φ o correspondente vector regressor associado a θ. Esta equação pode também descrever a estrutura da equação (7.9) com a seguinte correspondência: T T T T u = D, Φ(ξ) = –L Q, Ψ(ξ) = L Se – y e θ φ(ξ) = L Kϕ. O controlo linearizante, com modelo de referência de 1ª ordem d ∗ y − y ) + Λ ( y∗ − y ) = 0 ( dt (7.13) aplicado à equação (7.12) conduz à seguinte acção de controlo: ⎫ dy* −1 ⎧ − Φ (ξ ) − θ T φ (ξ ) ⎬ u (t ) = Ψ (ξ ) ⎨Λ ( y* − y ) + dt ⎩ ⎭ (7.14) em que Λ ≡ diag{λi} com i = 1,…,m e y* é o vector de referências. A redução da ordem do modelo, desprezando certas dinâmicas consideradas em estado pseudo estacionário (ou usando a técnica de perturbação singular), constitui uma das principais abordagens para o cálculo da lei de controlo anterior, pois permite englobar os parâmetros não medidos (cinéticas de crescimento ou de reacção) no vector θ a ser 7.4 LEIS DE ADAPTAÇÃO 231 estimado em linha. Esta estimação conduzirá a versões adaptativas do controlador linearizante, em que os valores desconhecidos de θ são substituídos pelas suas estimativas: ⎫ dy* −1 ⎧ − Φ (ξ ) − θˆT φ (ξ ) ⎬ u (t ) = Ψ (ξ ) ⎨Λ ( y* − y ) + dt ⎩ ⎭ (7.15) A dinâmica do erro de controlo ~y = (y* – y), para a situação de estimação de θ, é calculada por substituição da equação (7.15) na equação (7.12), obtendo-se: dy% dy* dy ≡ − = −Λy% − θ%T φ dt dt dt ~ (7.16) ~ ^ em que θ representa o erro de estimação do parâmetro θ, definido por θ ≡ θ – θ. 7.4 Leis de adaptação São normalmente referenciadas duas abordagens diferentes para os algoritmos de estimação dos parâmetros, uma baseada no erro do controlador (y* – y), a outra no erro de estimação através de um estimador do tipo observador (y – y^). Ambas as abordagens utilizam uma lei de adaptação do tipo método do gradiente semelhante à lei de estimação das cinéticas. BASTIN e DOCHAIN (1990) propõem duas técnicas de estimação: o método de mínimos quadrados recursivos e uma segunda baseada na teoria de estabilidade de LYAPONOV. O método de mínimos quadrados recursivos é aplicado à lei de adaptação baseada no erro de observação dθˆ = Γφ ( F , Q )( y − yˆ ) dt (7.17) em que φ(F,Q) é o regressor, função de F e Q, Γ é a matriz de ganhos do estimador (definida positivamente). A implementação discretizada desta lei, incluindo o factor de esquecimento γ, é escrita como se segue: ^ ^ T θk+1 = θk + Γkφkεk+1T (7.18) ^T εk+1 = yk+1 – yk – {Φ(ξk) + θk φk + Ψ(ξk)uk}T (7.19) 7. CONTROLO ADAPTATIVO Γ k +1 = Γk (γ + T φ 2 T k Γ k φk ) 232 0<γ≤1 Γ(o)>0 (7.20) A técnica ou projecto de LYAPONOV conduz à seguinte lei de adaptação: dθˆ = −Γφ ( F , Q ) ( y * − y ) dt (7.21) ~ O cálculo da dinâmica do sistema de erros formado pelo erro de controlo ~y e pelo erro θ, usando as equações (7.16) e (7.21), conduz a d ⎡ y% ⎤ ⎡ −Λ −φ ⎤ ⎡ y% ⎤ ⎡ 0⎤ dθ = + dt ⎢⎣θ% ⎥⎦ ⎢⎣ Γφ 0 ⎥⎦ ⎢⎣θ% ⎥⎦ ⎢⎣1 ⎥⎦ dt (7.22) cuja equação característica apresenta as raízes - 0.5Λ ± 0.25Λ 2 − Γφ 2 . PERRIER e DOCHAIN (1993) propõem fixar a dinâmica de ciclo fechado através da escolha de um pólo duplo real (equivale a tornar o discriminante nulo), obtendo-se a seguinte relação entre os parâmetros do controlador e do estimador: 2 -2 Γ = 0.25Λ φ (7.23) Os ganhos do estimador são, deste modo, automaticamente fixados através da sintonização dos parâmetros do controlador. Substituindo a equação anterior na equação de adaptação (7.21), obtém-se: dθˆ = −0.25Λ 2φ −1 ( y* − y ) = −γφ −1 ( y* − y ) dt (7.24) 2 com γ ≡ 0.25Λ . Nota-se nesta equação uma semelhança com a equação de adaptação das taxas específicas (6.46) usada no estimador de dinâmica de resposta de 2ª ordem. De modo idêntico à estimação de ρ (ver Apêndice B), é possível deduzir uma alternativa diferente de sintonização. Diferenciando a equação de adaptação de θi (para γ constante), tem-se: γ j dy% j γ j dφi d 2θˆi y% j = − + dt 2 φi dt φi2 dt (7.25) em que j se refere à variável de controlo yj. Combinando esta equação com (7.22) obtém-se a seguinte equação de 2ª ordem: 7.4 LEIS DE ADAPTAÇÃO 1 d 2θˆi 1 + γ j dt 2 γ j 233 ⎛ 1 dφi ⎞ dθˆi ˆ + θi = θi ⎜ λj + ⎟ φi dt ⎠ dt ⎝ (7.26) Definindo γj ≡ 1 τ e 2 j λj ≡ 2ζ j τj − 1 dφi φi dt (7.27), (7.28) A equação (7.26) transforma-se em τ 2j d 2θˆi dθˆi ˆ 2 + ζ τ + θi = θi j j dt 2 dt (7.29) ^ o que significa que cada θi converge para o seu verdadeiro valor θi com uma dinâmica de resposta de segunda ordem com um período natural de oscilação τj e um coeficiente de 2 amortecimento ζj. No caso de se considerar γj ≡ 0.25λj (resultante da escolha de um pólo duplo) os parâmetros ζj e τj não serão independentes, estando relacionados como se segue: ζ j = 1+ τ j dφi 2φi dt (7.30) com τj constante e ζj variável. Os ganhos do controlador são inversamente proporcionais aos correspondentes períodos naturais de oscilação, como se segue: λj = 2/τj (7.31) Finalmente, a lei de adaptação é escrita em função de τj dθˆi = −τ −j 2φi−1 ( y*j − y j ) dt (7.32) A formulação baseada na dinâmica de convergência de 2ª ordem apresenta como vantagens a ligação da sintonização do controlador à sintonização do estimador através de dois parâmetros (ou somente um parâmetro no caso de se fixar um pólo duplo) com algum significado físico. No caso de se sintonizar os dois parâmetros característicos da dinâmica de 2ª ordem, o ganho do controlador será função do regressor φ(t), sendo portanto variável no tempo. Recentemente, CHEN et al. (1995) propuseram um controlador para regulação do etanol na produção de fermento de padeiro sendo o parâmetro θ estimado pela técnica de LYAPONOV em que o regressor é a concentração de biomassa. Esta, não sendo medida, é 7. CONTROLO ADAPTATIVO 234 ^ estimada através de um observador. O ganho do controlador (λ1 + λ2X) é composto por termo um constante e um termo variável proporcional ao regressor do estimador de θ. Essa formulação apresenta a desvantagem de necessitar da sintonização de três parâmetros λ1, λ2 e o ganho γ do estimador de θ, para além do conhecimento dos coeficientes de rendimento que intervém no observador da biomassa. 7.5 Controlo da produção de fermento de padeiro 7.5.1 Introdução A estabilidade do armazenamento e a actividade levedante do fermento de padeiro são dois critérios importantes da qualidade da levedura para panificação. Constituem, no entanto, duas variáveis de difícil monitorização ao longo duma fermentação, não sendo por isso utilizados como variáveis de controlo. Recentemente YUAN e BELLGARDT (1994) propuseram uma estratégia de alimentação calculada em função da fracção de células geminadas, parâmetro correlacionado com estes dois critérios de qualidade. CHEN (1992) justifica a utilização de estratégias de regulação na produção semi-contínua de fermento de padeiro com base no compromisso entre o rendimento e a produtividade. Um fluxo elevado de glucose conduz a grande produtividade de levedura mas com baixo rendimento devido à produção adicional de etanol que utiliza uma parte da glucose e pode mesmo inibir a respiração da glucose (ver § 2.1.3). Por outro lado, para pequenos fluxos de glucose verifica-se uma diminuição da produtividade mas com um melhor rendimento. Alguns estudos laboratoriais têm demonstrado que a produção semi-contínua de fermento de padeiro é melhorada através do cálculo em linha dos perfis de alimentação de açúcar, dentro de um ciclo de retroacção com recurso à análise da fase gasosa e/ou medições de etanol (ver Tabela 7.1). É de salientar que a produção industrial decorre normalmente em ciclo aberto, com perfis pré calculados de alimentação de açúcar. Estudos de simulação (POMERLEAU, 1990) mostram que a regulação da concentração de etanol, usando o caudal de alimentação de glucose como acção de controlo, corresponde a um bom compromisso entre o rendimento e a produtividade. DAIRAKU et al. (1981) demonstram que o controlo do etanol permite atingir uma taxa de crescimento óptima sob a restrição de máximo rendimento. AXELSSON (1989) demonstra que através da regulação da 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 235 concentração de etanol se obtém um crescimento exponencial mantendo um rendimento elevado. Uma indicação da importância do controlo do teor de etanol é dada pelo trabalho de PONS et al. (1986) onde se revela que o etanol afecta a produção de ácido acético que é uma substância inibitória. O controlo do quociente respiratório (RQ) é por vezes usado como variável de controlo. É normalmente estabelecido um valor de referência próximo da unidade (ver Tabela 4.6) permanecendo o metabolismo em regime oxidativo, de forma a minimizar o efeito de CRABTREE. De notar que esta estratégia não evita a acumulação de etanol, impossibilitando manter a concentração deste num valor constante. CHEN (1992) demonstra que um valor constante de RQ corresponde uma infinidade de possibilidades para as concentrações de das diferentes variáveis de estado. Existem indicações de que as estratégias de alimentação com diferentes taxas de crescimento durante as várias fases de cultura podem ser importantes para a obtenção de boa qualidade da levedura (DAIRAKU et al., 1982; SHIOYA et al., 1986) Outros objectivos incluem manter a concentração de açúcar num nível mínimo (se o interesse for produzir etanol), manter uma dada tensão de oxigénio dissolvido, regular a taxa específica de crescimento para um valor constante ou “obrigar” a biomassa a seguir um dado perfil. 7. CONTROLO ADAPTATIVO 236 Tabela 7.1 Exemplos de controlo da produção semi-contínua de fermento de padeiro Referência Método Variáveis manipuladas Regulação da concentração de ETANOL dissolvido ALBRECHT et al. (1989) PD adaptativo (E variável) F eS e AXELSSON (1988, 1989) PID adaptativo Fe CHEN et al. (1991) e (1995) adaptativo (BASTIN e DOCHAIN) D HAGANDER et al. (1990) PID adaptativo + FEK Fe POMERLEAU e PERRIER (1992) adaptativo (BASTIN e DOCHAIN) Fe POMERLEAU e VIEL (1992) adaptativo (BASTIN e DOCHAIN) Fe YAMANÈ et al. (1981) PD Fe Regulação da concentração de OXIGÉNIO dissolvido JONES et al. (1994) PID D WILLIAMS et al. (1986) adaptativo baseado em modelo ARMAX Agitação Regulação do QUOCIENTE RESPIRATÓRIO (RQ) AIBA et al. (1976) Estado estacionário Fe DEKKERS e VOETTER (1986) adaptativo auto-sintonizável baseado em modelo ARMAX F eS e PERINGER e BLACHERE (1979) Controlo óptimo Fe VERBRUGGEN et al. (1986) adaptativo D Regulação/Servo-controlo da TAXA ESPECÍFICA DE CRESCIMENTO (µ) ou optimização da trajectória da concentração de BIOMASSA DAIRAKU et al. (1981) PID F eS e DAIRAKU et al. (1982) controlo óptimo F eS e DANTIGNY e LAKRORI (1992) L/A Fe MISKIEWICZ e MISZCZAK (1985) adaptativo F eS e KEULERS (1993) PI F eS e SIIMES et al. (1995) lógica difusa Fe TAKAMATSU et al. (1985) adaptativo com modelo de referência Fe WU et al. (1985, 1987) controlo óptimo Fe ZHANG et al. (1994) lógica difusa Fe Regulação da concentração do ião AMÓNIO KOLE et al. (1985) antecipação FNH4+ 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 237 Os estudos de controlo multivariável são ainda bastante escassos. Na Tabela 7.2 estão listados os poucos exemplos que se podem encontrar na literatura. Tabela 7.2 Exemplos de controlo multivariável na produção semi-contínua de fermento de padeiro Referência Método Variáveis controladas Variáveis manipuladas DOCHAIN (1991) do autor OeE D e OTR PARK et al (1993) lógica difusa SeE Fe RAMSEIER et al. (1992) adaptativo XeE F eS e WILLIAMS et al. (1984), WILLIAMS e MONTGOMERY (1986) adaptativo baseado em modelo ARMAX O e RQ FeSe e agitação WILLIAMS et al. (1986) adaptativo baseado em modelo ARMAX OeE FeSe e agitação WOEHRER et al. (1981) ID E e RQ F eS e A produção contínua de fermento de padeiro, não sendo objecto deste estudo, tem merecido contudo, a atenção de alguns projectos de investigação na área do controlo. Trabalhos recentes evidenciam a aplicação de metodologias de controlo linear (ANDERSEN, 1990) e não linear (RAMSEIER, 1991; ROUX, 1992). 7.5.2 Controlo adaptativo monovariável Na produção de fermento de padeiro o objectivo pode ser endereçado em termos de prevenção da acumulação de etanol no reactor semi-contínuo. Essa acumulação pode constituir uma fonte para a diminuição do rendimento e afectar a produtividade. É contudo, desejável uma ligeira produção de etanol de forma a induzir o sistema enzimático da via catabólica fermentativa e evitar assim um longo período de adaptação aquando da utilização do fermento (POMERLEAU, 1990). O problema que se coloca em termos de controlo será o da regulação da concentração de etanol. A taxa de alimentação de glucose é escolhida como a acção de controlo. Da adequação da equação (7.4) ao modelo apresentado em (4.60), tem-se T T y = E = L ξ com L = [0 0 1 0 0] T T (7.33) T u = DSo, b = [0 1 0 0 0], f = [0 0 0 OTR 0] e Q = [0 0 0 0 CTR] (7.34) O problema de controlo é resolvido pela técnica de perturbação singular (TAYLOR et al., 1989), permitindo desprezar cinéticas e dinâmicas mais rápidas do que as limitantes. 7. CONTROLO ADAPTATIVO 238 A dedução do controlador vai ser apresentada de seguida usando duas abordagens, uma recorrendo ao modelo global do processo com três taxas de crescimento e a segunda utilizando modelos parciais com duas taxas cada, tendo em atenção os dois regimes metabólicos. 7.5.2.1 Modelo global a 3 reacções O modelo de estado para a produção de fermento de padeiro (4.60) é reescrito usando a o r o notação ϕ1, ϕ2, ϕ3 para designar as taxas de crescimento µs X, µsX e µe X, respectivamente: • X = -DX + ϕ1 + ϕ2 + ϕ3 (7.35) • S = -DS – k1ϕ1 – k2ϕ2 + DSe (7.36) • E = -DE + k3ϕ2 – k4ϕ3 (7.37) • O = -DO – k5ϕ1 – k6ϕ3 + OTR (7.38) • C = -DC + k7ϕ1 + k8ϕ2 + k9ϕ3 – CTR (7.39) A aplicação da técnica de perturbação singular permite seleccionar o seguinte conjunto de variáveis de estado que apresentam uma dinâmica mais rápida: ξTr = [S O C] (7.40) Para variáveis de estado de dinâmica lenta é possível definir: ξTs = [X E] (7.41) T com ξ = [ξTr ξTs] Note-se que a variável de estado a ser regulada (E) não está incluída em ξr: E = LTsξs com LTs = [0 1]. O modelo dinâmico geral é então reduzido a um conjunto de 3 equações algébricas e 2 equações diferenciais ordinárias como se segue: dξ s = K sϕ − Dξ s + bs u + f s − Qs dt (7.42) 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO Krϕ + bru + fr – Qr = 0 (7.43) ⎡1 1 com K s = ⎢ ⎣ 0 k3 1 ⎤ , bTs = [0 0], fTs = [0 0], QTs = [0 0] ⎥ −k4 ⎦ ⎡ −k1 K r = ⎢⎢ −k5 ⎢⎣ k7 0 ⎤ −k6 ⎥⎥ , bTr = [1 0 0], fTr = [0 OTR 0], QTr = [0 0 CTR] k9 ⎥⎦ − k2 0 k8 239 Sendo Kr uma matriz de característica completa, o vector ϕ(ξ) de taxas de crescimento pode ser escrito como: -1 -1 ϕ(ξ) = Kr (Qr – Fr) = Kr (Qr – bru – fr) (7.44) ou seja ⎡ϕ1 ⎤ ⎡ − DSe ⎤ ⎢ϕ ⎥ = K −1 ⎢ −OTR ⎥ r ⎢ ⎢ 2⎥ ⎥ ⎢⎣ϕ3 ⎥⎦ ⎢⎣ CTR ⎥⎦ (7.45) com a inversa de Kr calculada como: K −1 r k6 k8 ⎡ 1⎢ = ⎢( k5 k9 − k6 k7 ) k% ⎢⎣ −k5 k8 k 2 k9 −k1k9 ( k1k8 − k2 k7 ) k 2 k6 ⎤ ⎥ − k1k6 ⎥ − k2 k5 ⎥⎦ (7.46) ~ em que k ≡ k2k6k7 – k1k6k8 – k2k5k9. Substituindo (7.44) em (7.42) obtém-se dξ s = − Dξ s + ⎡⎣ I n − m dt − K s K r−1 ⎤⎦ ( F − Q ) (7.47) A dinâmica de E é reescrita como dE = − DE + LTs ⎡⎣ I n − m dt − K s K r−1 ⎤⎦ ( F − Q ) (7.48) dE = − DE + LTs ⎡⎣ I n − m dt − K s K r−1 ⎤⎦ bu + LTs ⎡⎣ I n − m − K s K r−1 ⎤⎦ ( f − Q ) (7.49) ou 7. CONTROLO ADAPTATIVO 240 originando o seguinte modelo reduzido de entrada/saída: dE = − DE − θ1CTR − θ 2OTR + θ 3 DSe dt (7.50) com ~ θ1 ≡ (k1k3k6 – k2k4k5)/k (7.51) ~ θ2 ≡ (k2k4k7 – k1k3k9 – k1k4k8)/k (7.52) ~ θ3 ≡ (k3k6k7 – k3k5k9 – k4k5k8)/k (7.53) Note-se que o modelo de saída anterior é independente das cinéticas de crescimento da levedura. Seleccionando um modelo de referência de 1ª ordem para o erro de convergência: d E ∗ − E ) + λ1 ( E ∗ − E ) = 0 ( dt (7.54) a lei de controlo linearizante é prontamente obtida por substituição de (7.50) em (7.54) obtendo-se D= λ1 ( E ∗ − E ) + θ1CTR + θ 2OTR θ 3 Se − E (7.55) Nesta lei de controlo deve notar-se o seguinte • não é necessária a medição em linha das variáveis de estado com excepção daquela que se pretende regular (E); • não é necessário conhecer a cinética de crescimento dos microrganismos; • utiliza medidas de taxas de transferência gasosas que são acessíveis em linha; • há uma compensação de antecipação relativamente à concentração da alimentação Se. * • o termo λ1(E – E)/(θ3Se – E) pode ser visto como uma acção proporcional de ganho variável função do etanol (se E << θ3Se o ganho será constante); o termo (θ1CTR + θ2OTR)/(θ3Se – E) representa uma medida da actividade das leveduras presumindo-se proporcional à concentração de biomassa e fornecendo o perfil de alimentação exponencial necessário para manter o etanol constante (POMERLEAU, 1990). No caso de os coeficientes de rendimento presentes em θ1, θ2, θ3 serem mal conhecidos 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 241 ou variáveis no tempo deve implementar-se uma versão adaptativa do controlador. A lei de regulação adaptativa é obtida usando a equação anterior juntamente com a estimação em linha dos parâmetros θ1, θ2 e θ3. 7.5.2.2 Modelo parcial Na Tabela 7.3 encontram-se listadas as equações de estado para os modelos parciais correspondentes às equações matriciais (4.65) e (4.66) para os regimes respirofermentativo e respirativo, respectivamente. Tabela 7.3 Equações de estado para os modelos parciais Regime Respiro-fermentativo RF Regime Respirativo R • X = –DX + ϕ1 + ϕ2 • X = –DX + ϕ1 + ϕ3 • S = –DS – k1ϕ1 – k2ϕ2 + DSe • S = –DS – k1ϕ1 + DSe • E = –DE + k3ϕ2 • E = –DE – k4ϕ3 • O = –DO – k5ϕ1 + OTR • O = –DO – k5ϕ1 – k6ϕ3 + OTR • C = –DC + k7ϕ1 + k8ϕ2 – CTR • C = –DC + k7ϕ1 + k9ϕ3 – CTR Em cada um dos modelos parciais existem duas taxas de crescimento em vez das três taxas do modelo global. Assim, bastará utilizar duas equações de estado para se efectuar a redução de ordem do modelo. Uma das equações a usar será a correspondente à dinâmica do substrato (pelo facto de incluir o termo DSe). A segunda deverá ser escolhida entre as equações correspondentes ao oxigénio e ao dióxido de carbono. Considerando estado pseudo estacionário para o par glucose e dióxido de carbono (equações (4.67) e (4.68)), têm-se: DSe = k1ϕ1 + k2ϕ2 RF (7.56) CTR = k7ϕ1 + k8ϕ2 RF (7.57) ou DSe = k1ϕ1 R (7.58) 7. CONTROLO ADAPTATIVO 242 CTR = k7ϕ1 + k9ϕ3 R (7.59). Neste momento torna possível explicitar-se as taxas de crescimento (ϕ1 e ϕ2 para o regime RF; ϕ1 e ϕ3 para o regime R) em função da taxa de adição de açúcar e da taxa de transferência de dióxido de carbono: ⎡ϕ1 ⎤ 1 ⎡ − k8 ⎢ϕ ⎥ = % ⎢ k ⎣ 2 ⎦ k RF ⎣ 7 ⎡ϕ1 ⎤ 1 ⎡ k9 ⎢ϕ ⎥ = % ⎢ − k ⎣ 3 ⎦ kR ⎣ 7 k2 ⎤ ⎡ DSe ⎤ − k1 ⎥⎦ ⎢⎣CTR ⎥⎦ 0 ⎤ ⎡ DSe ⎤ k1 ⎥⎦ ⎢⎣CTR ⎥⎦ ~ RF (7.60) R (7.61) ~ em que kRF ≡ k2k7 – k1k8 e kR ≡ k1k9. As equações de saída correspondentes são escritas como se segue: dE k3 k7 kk = DSe − 1 3 CTR − DE dt k%RF k%RF RF (7.62) dE k4 k7 kk = DSe − 1 4 CTR − DE dt k%R k%R R (7.63) A segunda alternativa considera estado pseudo estacionário para o par glucose e oxigénio, obtendo-se, no caso do oxigénio, as seguintes equações para a taxa de transferência de oxigénio: OTR = k5ϕ1 RF (7.64) ou OTR = k5ϕ1 + k6ϕ3 R (7.65). As equações para DSe serão as anteriormente obtidas para a escolha do par glucosedióxido de carbono. A explicitação das taxas de crescimento em função da taxa de adição de açúcar e da taxa de transferência de oxigénio é escrita como se segue: ⎡ϕ1 ⎤ 1 ⎡0 ⎢ϕ ⎥ = % ⎢ k ⎣ 2 ⎦ k RF ⎣ 5 k2 ⎤ ⎡ DSe ⎤ − k1 ⎥⎦ ⎢⎣OTR ⎥⎦ RF (7.66) 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO ⎡ϕ1 ⎤ 1 ⎡ k6 ⎢ϕ ⎥ = % ⎢ − k ⎣ 3 ⎦ kR ⎣ 5 ~ 243 0 ⎤ ⎡ DSe ⎤ k1 ⎥⎦ ⎢⎣OTR ⎥⎦ R (7.67) ~ em que kRF ≡ k2k5 e kR ≡ k1k6. As equações de saída correspondentes são escritas como se segue: dE k3 k5 kk = DSe − 1 3 OTR − DE % dt k RF k%RF RF (7.68) dE k4 k5 kk = DSe − 1 4 OTR − DE dt k%R k%R R (7.69) As equações de saída para as duas escolhas de redução de modelo e para cada um dos regimes metabólicos, podem ser escritas genericamente na seguinte forma: • E = –DE – θ1CTR – θ2OTR + θ3DSe (7.50)=(7.70) com a seguinte correspondência de variáveis: Tabela 7.4 Quadro resumo do modelo de entrada/saída Par escolhid o Regime θ1 θ2 θ3 SeC RF ~ k1k3/k RF 0 ~ k3k7/k RF k2k7 - k1k8 R ~ k1k4/k R 0 ~ k4k7/k R k1k9 RF 0 ~ k1k3/k RF ~ k3k5/k RF k2k5 R 0 ~ k1k4/k R ~ k4k5/k R k1k6 SeO ~ ~ kR ou kRF Esta equação do modelo de entrada/saída é idêntica à obtida para a situação de utilização do modelo a três reacções (7.50). Ipso facto a lei de controlo, para um modelo de referência de 1ª ordem, será dada pela equação (7.55). No caso de utilização de modelos parciais ainda mais se justifica a utilização de uma versão adaptativa da lei de controlo de modo a lidar com incertezas no modelo devido à simplificação feita de se desprezarem certas dinâmicas na redução de ordem do modelo. A lei adaptativa será baseada na estimação em linha dos parâmetros desconhecidos de equação genérica 7. CONTROLO ADAPTATIVO D= 244 λ1 ( E ∗ − E ) + θˆ1CTR + θˆ2OTR (7.71) θˆ3 Se − E Os parâmetros a estimar serão θ1 e θ3 no caso de se usar um redução do modelo baseada na glucose e dióxido de carbono, ou θ2 e θ3 para o par glucose e oxigénio. 7.5.2.3 Resultados As condições iniciais para as experiências de controlo por simulação estão expostas na Tabela 7.5. A simulação da fermentação é interrompida quando se atinge o volume máximo do fermentador (5 L) ou para um total de 25 horas de fermentação. A presença de etanol no tempo zero é explicada pelo facto de normalmente uma fermentação semicontínua ser precedida da operação descontínua com a concomitante produção de etanol. Tabela 7.5 Valores iniciais para a simulação X(0) g.L -1 0.30 S(0) g.L -1 0.020 E(0) g.L -1 0.50 O(0) g.L -1 0.0027 C(0) g.L -1 0.017 V(0) Se(0)=Se(t) L g.L 2.0 20 -1 O simulador disponibiliza ao controlador somente as variáveis relevantes, a saber: concentração de etanol, taxa de transferência de oxigénio e concentração de glucose na alimentação. Estes dados são utilizados a cada 6 minutos (0.1 h) de período de amostragem. O problema em estudo será controlar (regular) a concentração de etanol para um valor * -1 de referência, E = 0.5 g.L , ou seja, pretende-se que o controlador entre em acção no início da etapa semi-contínua e que seja capaz de conduzir a experiência em ciclo fechado por manipulação do caudal volumétrico de alimentação, calculado por multiplicação da taxa de diluição pelo volume (crescente) do meio de fermentação. Os resultados de regulação da concentração de etanol são baseados na utilização do modelo parcial com redução de ordem do modelo por simplificação das dinâmicas de glucose e oxigénio. A versão adaptativa da lei de controlo necessita neste caso da estimação em linha dos parâmetros θ2 e θ3 usando como regressores –OTR e DSe, respectivamente. POMERLEAU (1990) apresenta um estudo semelhante mas estimando somente o parâmetro θ2, considerando conhecido e constante o valor de θ3. 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 245 A adaptação dos parâmetros θ2 e θ3 é feita por três métodos alternativos: mínimos quadrados recursivos (MQR), estimador de dinâmica de 2ª ordem (EDSO) e técnica de LYAPONOV. Para o método MQR em versão discretizada, tem-se: ^ ^ Γ 2, k +1 = (γ θ2,k+1 = θ2,k – TΓ2,kOTRkεk+1 ^ (7.72) Γ 2, k 0<γ2≤1 + T OTRk2 Γ 2,k ) 2 2 Γ2(o)>0 ^ θ3,k+1 = θ3,k + TΓ3,kDkSeεk+1 Γ3,k +1 = (γ Γ3,k 2 2 2 3 + T Dk S e Γ 3, k ) (7.73) (7.74) 0<γ3≤1 Γ3(o)>0 (7.75) em que ^ ^ εk+1 = Ek+1 – Ek – T{–θ2,kOTRk + (θ3,kSe – Ek)Dk} (7.76) Para o EDSO: ^ ^ * ^ ^ * θ2,k+1 = θ2,k + T(E – Ek)/(OTRkτ2) θ3,k+1 = θ3,k – T(E – Ek)/(DkSeτ2) (7.77) (7.78) sendo o ganho do controlador calculado por: λ1 = 2ζ/τ – (OTRk – OTRk-1)/(TOTRk) (7.79) Para o EDSO com colocação de pólos, o ganho do controlador é constante conforme equação (7.31). Esta situação é equivalente à técnica de LYAPONOV. Para comparação com as estimativas, são apresentados na Tabela 7.6 os valores para θ1, θ2 e θ3, calculados pelas expressões da Tabela 7.4, usando os coeficientes de rendimento do modelo de simulação (Apêndice A). Não significa contudo, que as estimativas devam ser concordantes com estes valores, pois a estimação é realizada com o propósito de adequar o modelo reduzido ao modelo real. 7. CONTROLO ADAPTATIVO 246 Tabela 7.6 Valores dos parâmetros θi Regime θ1 θ2 θ3 RF 0 1.18 0.48 R 0 0.89 0.36 Os valores de θi correspondentes ao regime respiro-fermentativo constituirão as estimativas iniciais das leis de adaptação. O efeito da utilização de valores diferentes destes será contudo, analisado. A sintonização das leis de controlo e adaptação é realizada por tentativa e erro, tendo como critérios de avaliação de desempenho, o índice ITAE (equação (6.86)) e a média do * erro de controlo (E – E). A Tabela 7.7 apresenta os valores destes critérios para os três casos de sintonização: EDSO, MQR e EDSO com pólo duplo (LYAPONOV). Os três critérios apresentam valores muito semelhantes, salientando-se contudo um desempenho ligeiramente melhor para a solução baseada num EDSO. Tabela 7.7 Comparação das leis de adaptação através dos critérios ITAE e erro médio Lei de adaptação EDSO Parâmetros ITAE Erro médio (%) τ = 0.10 h 0.021 0.017 0.041 0.038 0.037 0.028 ζ = 2.0 MQR Γ2(o) = Γ3(o) =100 γ2 = γ3 = 0.95 λ = 10.0 h EDSO com pólo duplo (LYAPONOV) -1 τ = 0.13 h -1 (λ = 15.0 h ) A Figura 7.6 mostra o perfil da concentração de etanol onde é visível a boa prestação do controlador para a sintonização com um EDSO. A pequeníssima oscilação inicial é devida à rápida alternância entre os regimes respiro-fermentativo e respirativo no período correspondente à fase inicial de convergência de 2ª ordem para a adaptação dos θi. É também mostrado o perfil da acção de controlo (b), com duas fases distintas, durante as primeiras oito horas em que há a alternância entre os regimes metabólicos e uma segunda fase com um perfil tipicamente exponencial, correspondente à manutenção em regime respiro-fermentativo. 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 247 E(t) [g/L] 0.501 (a) 0.5005 0.5 0.4995 0.499 0 5 10 5 10 Tempo [h] 15 20 25 15 20 25 D(t) [1/h] 0.05 (b) 0.04 0.03 0.02 0.01 0 0 Tempo [h] * Figura 7.6 Controlo do etanol para E = 0.5 (a) e a correspondente acção de controlo (b) A Figura 7.7 apresenta as estimativas dos parâmetros θ2 (a) e θ3 (b). A comparação efectuada com os valores verdadeiros não significa que a estimativa seja concordante com esses valores, uma vez que a adaptação dos parâmetros é realizada precisamente para contemplar as dinâmicas desprezadas durante a redução de ordem do modelo e outras incertezas de modelação. Para analisar a robustez do controlador estudou-se o seu comportamento, face às seguintes situações: • alteração da referência em ± 10%; • alteração da carga concentração da alimentação (Se) em ± 50%; • corrupção das medições de etanol e taxa de transferência de oxigénio (regressor) com ruído branco não correlacionado de média nula e desvio padrão de 10%. • mau condicionamento dos valores iniciais de θ2 e θ3 Usou-se uma sintonização baseada num estimador EDSO com pólo duplo. 7. CONTROLO ADAPTATIVO 2.5 248 (a) Teta2 2 1.5 1 0 5 10 5 10 Tempo [h] 15 20 25 15 20 25 (b) Teta3 0.5 0.4 0.3 0.2 0 Tempo [h] Figura 7.7 Comparação das estimativas (traço) dos parâmetros θ2 (a) e θ3 (b) com os valores verdadeiros (linha contínua) E(t) [g/L] 0.55 (a) E*=0.55 0.5 E*=0.45 0.45 0.4 0 5 10 5 10 Tempo [h] 15 20 15 20 0.05 (b) D(t) [1/h] 0.04 0.03 0.02 0.01 0 0 Tempo [h] Figura 7.8 Alteração de ±10% no valor de referência 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 249 A Figura 7.8 expõe a situação de alteração, à 4ª hora de fermentação, do valor de -1 referência de 0.5 para 0.45 e 0.55 g.L . É visível um ligeiro desvio final (2.3% e 1.3% respectivamente) no erro de controlo. A Figura 7.9 pretende mostrar o efeito da antecipação da carga (Se surge na lei de controlo), por alteração, à 4ª hora, da concentração de alimentação (carga) para 20 ± 10 -1 g.L . Para cada uma destas duas concentrações é analisada a resposta do controlador face ao conhecimento dessa variação, isto é, a consideração da lei de controlo pela nova concentração. O controlador mostra-se bastante robusto face às duas situações, especialmente no caso de contemplar a antecipação. Nota-se no momento da alteração da carga uma ligeira oscilação para o caso de ausência de antecipação. A Tabela 7.8 apresenta os critérios ITAE e erro médio do controlador. A consideração da antecipação mostra critérios melhorados relativamente à situação de não consideração. Tabela 7.8 Comparação do presença ou ausência da antecipação Carga, Se ITAE Erro médio -1 (%) [g.L ] com 30 0.048 0.033 antecipação 10 0.011 0.027 sem 30 0.053 0.045 antecipação 10 0.068 0.130 A rejeição do efeito da carga é devida à adaptação dos parâmetros θi à nova situação. A Figura 7.10 mostra o modo como a lei de adaptação consegue resolver essa questão. Para estudar o efeito de medições com ruídos nos valores usados pelas leis de controlo e de adaptação considerou-se a corrupção dos valores de etanol e taxa de transferência de oxigénio (regressor) através da adição algébrica de ruído branco não correlacionado de média nula e desvio padrão de 10%. A Figura 7.11 mostra os resultados desta experiência, onde é visível o bom desempenho do controlador que apresenta como média do erro o valor de 1.6%. Os valores estimados dos parâmetros θi surgem na Figura 7.12, notando-se um alisamento das estimativas face a medições com ruídos. 7. CONTROLO ADAPTATIVO 250 E(t) [g/L] 0.502 (a) 0.5 Se=30 g/L (com antecip.) 0.498 Se=10 g/L (com antecip.) Se=30 g/L (sem antecip.) Se=10 g/L (sem antecip.) 0.496 0 5 10 5 10 Tempo [h] 15 20 15 20 (b) D(t) [1/h] 0.06 0.04 0.02 0 0 Tempo [h] Figura 7.9 Efeito da antecipação para alterações de ±50% na carga Se 3 (a) Teta2 2.5 Se=30 Se=10 Se=30 Se=10 g/L g/L g/L g/L (com (com (sem (sem antecip.) antecip.) antecip.) antecip.) 2 1.5 1 0 5 10 5 10 Tempo [h] 15 20 15 20 0.7 (b) Teta3 0.6 0.5 0.4 0.3 0 Tempo [h] Figura 7.10 Estimativas dos parâmetros θ2 e θ3 (traços) para alteração na carga E(t) [g/L] 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 0.54 (a) 0.52 0.5 0.48 0.46 0 5 10 0 0 5 10 0.11 (c) 0.1 0.09 0.08 0.07 0 5 10 Tempo [h] 251 15 20 25 15 20 25 15 20 25 OTR(t) [g/(L.h)] D(t) [1/h] 0.06 (b) 0.04 0.02 Tempo [h] Tempo [h] Figura 7.11 Efeito do ruído na medição do etanol e taxa de transferência de oxigénio 2.5 (a) Teta2 2 1.5 1 0 5 10 5 10 Tempo [h] 15 20 25 15 20 25 0.6 (b) Teta3 0.5 0.4 0.3 0 Tempo [h] Figura 7.12 Estimativas dos parâmetros θ2 e θ3 (traços) para medições com ruído 7. CONTROLO ADAPTATIVO 252 De modo a analisar o mau condicionamento dos valores iniciais de θi considerou-se a utilização dos valores θ2 = 2.0 e θ3 = 1.0. As duas figuras seguintes ilustram o bom desempenho do controlador e da lei de adaptação. A média do erro de controlo é significativamente pequena (0.063%). Estudou-se, finalmente, a situação de arranque de uma fermentação em semi-contínuo, sem presença inicial de etanol no fermentador. O controlador funcionará, portanto, desde o início da operação. Esta situação está representada na Figura 7.15 onde é evidente alguma dificuldade para aproximar o etanol do valor de referência. Introduzem-se de seguida dois conceitos importantes para a comparação macroeconómica entre estratégias de condução de processos de fermentação. Para operação semi-contínua de fermentadores, define-se produtividade média como o número de células produzidas por unidade de tempo e por unidade de volume adicionado: P= X f V f − X 0V0 (V f (7.80) − V0 ) t f em que o índice f se refere às condições finais da fermentação. Outro conceito importante é o rendimento global♦ relativamente ao substrato, calculado como: R= X f V f − X 0V0 ∫ tf o (7.81) FSe dt +S0V0 − S f V f A regulação adaptativa da concentração de etanol usando o estimador EDSO apresenta -1 -1 -1 uma produtividade média de 0.34 g. L .h e um rendimento global igual a 0.425 g.g . ♦ O rendimento global é também referenciado pela designação Yx/s ou tão somente Y. 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO E(t) [g/L] 0.504 253 (a) 0.502 0.5 0.498 0.496 0 5 10 5 10 Tempo [h] 15 20 25 15 20 25 0.05 (b) D(t) [1/h] 0.04 0.03 0.02 0.01 0 0 Tempo [h] Figura 7.13 Efeito da utilização de diferentes valores iniciais de θ2 e θ3 5 (a) Teta2 4 3 2 1 0 5 10 5 10 Tempo [h] 15 20 25 15 20 25 Teta3 1 (b) 0.8 0.6 0.4 0 Tempo [h] Figura 7.14 Estimativas de θ2 e θ3 para valores iniciais diferentes 7. CONTROLO ADAPTATIVO 254 0.6 E(t) [g/L] (a) 0.4 0.2 0 0 2 4 6 8 10 12 Tempo [h] 14 16 18 20 2 4 6 8 10 12 Tempo [h] 14 16 18 20 (b) D(t) [1/h] 0.1 0.05 0 0 Figura 7.15 Arranque da fermentação com regulação do etanol 7.5.3 Controlo adaptativo multivariável WILLIAMS et al. (1986) referem que o controlo monovariável é insuficiente para maximizar simultaneamente a produtividade e o rendimento. Estes autores propõem um controlador adaptativo linear baseado numa estrutura ARMAX para o controlo da tensão de oxigénio e do quociente respiratório. A extensão do projecto de um controlador linearizante à situação multivariável de várias entradas e várias saídas é proposta por DOCHAIN (1991). As variáveis de controlo consideradas foram a concentração de oxigénio dissolvido e a concentração de etanol. A taxa de transferência de oxigénio (OTR) e a taxa de diluição foram escolhidas como variáveis manipuladas. O autor utiliza um modelo semi-empírico para as três cinéticas de crescimento da levedura e o modelo de estado usado em simulação não considera a ocorrência de dois regimes metabólicos. O problema de controlo multivariável que se apresenta de seguida tem também como variáveis de controlo a concentração de oxigénio dissolvido e a concentração de etanol: 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO T T y = [E O]= L ξ com ⎡0 0 1 0 0⎤ LT = ⎢ ⎥ ⎣0 0 0 1 0⎦ 255 (7.82) A taxa de transferência de oxigénio (OTR) e a taxa de diluição foram escolhidas como variáveis de entrada. Problema: Controlo de E e O, dados: D e OTR manipuláveis em linha; taxas de reacção ϕ(ξ) desconhecidas; CTR medido em linha; coeficientes de rendimento desconhecidos; As leis de controlo para a regulação múltipla das concentrações de etanol e oxigénio dissolvido são obtidas a partir das equações de estado para estes dois componentes, apresentadas no seguimento para os dois regimes metabólicos. Regime Respiro-fermentativo RF : • O = –DO – k5ϕ1 + OTR (7.83) • E = –DE – k3ϕ2 (7.84) Regime Respirativo R : • O = –DO – k5ϕ1 – k6ϕ3 + OTR (7.85) • E = –DE – k4ϕ3 (7.86) De modo idêntico à abordagem para o controlo monovariável a redução da ordem do modelo desprezando as dinâmicas do substrato e do dióxido de carbono permite explicitar as taxas de crescimento (ϕ1 e ϕ2 para o regime RF; ϕ1 e ϕ3 para o regime R) em função da taxa de adição de açúcar de da taxa de transferência de dióxido de carbono. Substituindo as expressões para as taxas de crescimento nas equações de estado do etanol e do oxigénio, obtêm-se: ⎡O ⎤ ⎡ − k d ⎡O ⎤ = −D ⎢ ⎥ + ⎢ 5 ⎢ ⎥ dt ⎣ E ⎦ ⎣E⎦ ⎣ 0 0 ⎤ 1 ⎡ − k8 k3 ⎥⎦ k%RF ⎢⎣ k7 k2 ⎤ ⎡ DSe ⎤ ⎡OTR ⎤ + −k1 ⎥⎦ ⎢⎣CTR ⎥⎦ ⎢⎣ 0 ⎥⎦ RF (7.87) 7. CONTROLO ADAPTATIVO 256 ⎡O ⎤ ⎡ − k d ⎡O ⎤ = −D ⎢ ⎥ + ⎢ 5 ⎢ ⎥ dt ⎣ E ⎦ ⎣E⎦ ⎣ 0 ~ − k 6 ⎤ 1 ⎡ k9 − k4 ⎦⎥ k%R ⎢⎣ − k7 0 ⎤ ⎡ DSe ⎤ ⎡OTR ⎤ + k1 ⎥⎦ ⎢⎣CTR ⎥⎦ ⎢⎣ 0 ⎥⎦ R (7.88) ~ em que kRF ≡ k2k7 – k1k8 e kR ≡ k1k9 Refira-se que o grau relativo destes modelos parciais é igual à unidade, uma vez que as entradas (D e OTR) aparecem nas equações de saída. O grau unitário significa que é necessário derivar as saídas uma vez para que as entradas apareçam. Após algumas manipulações algébricas conseguem obter-se as seguintes equações: ⎡ ⎢1 d ⎡O ⎤ CTR ⎡ k2 k5 ⎤ ⎢ =− ⎢ ⎥+ dt ⎢⎣ E ⎥⎦ k%RF ⎣ k1k3 ⎦ ⎢ ⎢0 ⎣ k5 k8 ⎤ Se − O ⎥ k%RF OTR ⎤ ⎥ ⎡⎢ ⎥ D ⎥⎦ k3 k 7 Se − E ⎥ ⎣ k%RF ⎦ ⎡ ⎢1 d ⎡O ⎤ CTR ⎡ k1k6 ⎤ ⎢ =− ⎢ ⎥+ dt ⎢⎣ E ⎥⎦ k%R ⎣ k1k4 ⎦ ⎢ ⎢0 ⎢⎣ ( k 6 k 7 − k5 k9 ) S k%R RF (7.89) ⎤ − O⎥ ⎥ ⎡OTR ⎤ ⎥ ⎢⎣ D ⎥⎦ k 4 k7 Se − E ⎥ k%R ⎥⎦ e R (7.90) Estas duas equações podem reduzir-se à equação genérica: ⎡θ ⎤ ⎡θ S − O ⎤ ⎡1 ⎤ d ⎡O ⎤ = − ⎢ 1 ⎥ CTR + ⎢ ⎥ OTR + ⎢ 2 e ⎥D ⎢ ⎥ dt ⎣ E ⎦ ⎣0 ⎦ ⎣θ 3 ⎦ ⎣θ 4 Se − E ⎦ (7.91) com a seguinte correspondência de variáveis: Tabela 7.9 Quadro resumo do modelo de entrada/saída para o controlo multivariável Regime θ1 θ2 θ3 θ4 RF ~ k2k5/k RF ~ k5k8/k RF ~ k1k3/k RF ~ k3k7/k RF k2k7 – k1k8 R ~ k1k6/k R ~ (k6k7 – k5k9)/k R ~ k1k4/k R ~ k4k7/k R k1k9 ~ ~ kR ou kRF Selecciona-se um modelo de referência de 1ª ordem para o erro de convergência: * ⎡( O* − O ) ⎤ d ⎡⎢( O − O ) ⎤⎥ ⎥=0 + [ λ1 λ2 ] ⎢ dt ⎢ ( E * − E ) ⎥ ⎢( E * − E ) ⎥ ⎣ ⎦ ⎣ ⎦ (7.92) A lei de controlo linearizante é prontamente obtida por substituição de (7.91) em (7.92), 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 257 obtendo-se ⎡( O* − O ) ⎤ ⎡1 θ 2 Se − O ⎤ ⎡OTR ⎤ d ⎡O* ⎤ ⎡θ1 ⎤ ⎢ ⎥=0 CTR − ⎢ ⎢ ⎥+ ⎥ ⎢ D ⎥ + [ λ1 λ2 ] * 0 θ − S E dt ⎣ E * ⎦ ⎢⎣θ 3 ⎥⎦ ⎢ ⎥ ⎦ 4 e ⎣ ⎦⎣ ⎣( E − E ) ⎦ (7.93) As variáveis manipuladas são calculadas por resolução da equação anterior em ordem a OTR e D: ⎡OTR ⎤ ⎡1 θ 2 Se − O ⎤ ⎢ D ⎥ = ⎢0 θ S − E ⎥ ⎣ ⎦ ⎣ 4 e ⎦ −1 ⎧ ⎫ ⎡( O* − O ) ⎤ d ⎡O* ⎤ ⎡θ ⎤ ⎪ ⎪ 1 ⎢ ⎥ + + λ λ CTR ⎨[ 1 ⎬ ⎢ ⎥ ⎢ ⎥ 2] ⎢( E * − E ) ⎥ dt ⎣ E * ⎦ ⎣θ 3 ⎦ ⎪⎩ ⎪ ⎣ ⎦ ⎭ (7.94) Como se trata de um problema de regulação, desprezam-se as derivadas dos valores de referência O* e E*, obtendo-se * ⎧ ⎫ ⎡OTR ⎤ ⎡θ 4 Se − E O − θ 2 Se ⎤ ⎪ ⎡ λ1 ( O − O ) ⎤ ⎡θ1 ⎤ 1 ⎪ ⎢ ⎥ CTR = + ⎨ ⎬ ⎢ ⎥ ⎢ D ⎥ θ S −E ⎢ 0 ⎥ 1 ⎦ ⎪ ⎢ λ2 ( E * − E ) ⎥ ⎣θ 3 ⎦ )⎣ ⎣ ⎦ ( 4 e ⎣ ⎦ ⎩ ⎭⎪ (7.95) Substituindo os parâmetros θ1 e θ3 pelas correspondentes estimativas em linha, a versão adaptativa da lei de controlo anterior é escrita como se segue: ⎡ (θ 2 Se − O ) ⎤ * ⎢1 − ⎫ (θ 4 Se − E ) ⎥⎥ ⎧⎪ ⎡⎢ λ1 ( O − O ) ⎤⎥ ⎡θˆ1 ⎤ ⎡OTR ⎤ ⎢ ⎪ + ⎢ ⎥ CTR ⎬ ⎨ ⎢ D ⎥=⎢ * ⎥ ⎢λ ( E − E ) ⎥ ⎢θˆ ⎥ 1 ⎣ ⎦ 0 ⎪⎭ ⎦ ⎣ 3⎦ ⎢ ⎥ ⎪⎩ ⎣ 2 (θ 4 Se − E ) ⎥⎦ ⎢⎣ (7.96) O cálculo da matriz de BRISTOL de ganhos relativos (RAY, 1981; STEPHANOPOULOS, 1984) conduz, neste caso, à matriz identidade correspondente a dois ciclos fechados sem interacção, com D ligado ao etanol e OTR ligado ao oxigénio. 7.5.3.1 Resultados As condições iniciais para as experiências de controlo multivariável por simulação são idênticas às do controlo do etanol anteriormente expostas na Tabela 7.5. Os dados relevantes para o controlador são: concentrações de etanol e oxigénio dissolvido, taxa de transferência de dióxido de carbono e concentração de glucose na alimentação. Estes dados são utilizados a cada 6 minutos (0.1 h) de período de amostragem. O problema em estudo será controlar (regular) a concentração de etanol para um valor 7. CONTROLO ADAPTATIVO 258 * -1 de referência, E = 0.5 g.L e simultaneamente manter constante a concentração de * -1 oxigénio dissolvido a O = 2 mg.L ou seja, pretende-se que o controlador multivariável entre em acção após a regulação monovariável do etanol. O controlador deverá conduzir a experiência em ciclo fechado por manipulação do caudal volumétrico de alimentação e do caudal de arejamento. Os perfis de variáveis manipuladas serão expostos em termos de taxa de diluição e taxa de transferência de oxigénio. Esta última possibilita o cálculo do arejamento através da relação linear entre o coeficiente global de transferência de oxigénio e o caudal volumétrico de arejamento, conforme equação (4.31). A versão adaptativa da lei de controlo requer a estimação em linha dos parâmetros θ1 e θ3 usando como regressor a taxa de transferência de dióxido de carbono (mais precisamente o valor –CTR). Os parâmetros θ2 e θ4 são considerados constantes e conhecidos sendo apresentados na Tabela 7.10 juntamente com os valores verdadeiros de θ1 e θ3. Estes valores foram calculados pelas expressões da Tabela 7.9, usando os coeficientes de rendimento do modelo de simulação (Apêndice A). Tabela 7.10 Valores dos parâmetros θi Regime θ1 θ2 θ3 θ4 RF 2.89 1.34 3.41 2.06 R 1.72 0.63 0.93 1.84 A adaptação dos parâmetros θ1 e θ3 é feita por dois métodos alternativos: mínimos quadrados recursivos (MQR), estimador de dinâmica de 2ª ordem (EDSO). Para o método MQR em versão discretizada, tem-se: ^ ^ θ1,k+1 = θ1,k – Γ1,kCTRkε1,k+1T Γ1,k +1 = (γ ^ ^ Γ3,k +1 = (γ Γ1,k 1 + T 2CTRk2 Γ1,k ) (7.97) 0<γ1≤1 Γ1(o)>0 θ3,k+1 = θ3,k – Γ3,kCTRkε2,k+1T em que Γ3,k + T CTRk2 Γ3,k ) 2 3 (7.98) (7.99) 0<γ3≤1 Γ3(o)>0 (7.100) 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 259 ^ ε1,k+1 = Ok+1 – Ok – T{–θ1,kCTRk + OTRk (θ2,kSe – Ok)Dk} (7.101) ^ ε2,k+1 = Ek+1 – Ek – T{–θ3,kCTRk + (θ4,kSe – Ek)Dk} (7.102) Para o EDSO: ^ ^ * ^ ^ * 2 θ1,k+1 = θ1,k + T(O – Ok)/(CTRkτ1) (7.103) 2 θ3,k+1 = θ3,k + T(E – Ek)/(CTRkτ2) (7.104) sendo os ganhos do controlador calculados por: λ1 = 2ζ1/τ1 – (CTRk – CTRk-1)/(CTRkT) (7.105) λ2 = 2ζ2/τ2 – (CTRk – CTRk-1)/(CTRkT) (7.106) Os valores de θi correspondentes ao regime respiro-fermentativo constituirão as estimativas iniciais das leis de adaptação. O efeito da utilização de valores diferentes destes será contudo, analisado. A sintonização das leis de controlo e adaptação é realizada por tentativa e erro, tendo como critérios de avaliação de desempenho, o índice ITAE (equação (6.86)) e a média dos * * erros de controlo (E – E) e (O – O). A Tabela 7.11 apresenta os valores destes critérios para os dois casos de sintonização. Saliente-se o superior desempenho da solução baseada num EDSO. Tabela 7.11 Comparação das leis de adaptação através dos critérios ITAE e erro médio Lei de adaptação EDSO MQR Parâmetros ITAE (O e E) Erro médio (%) τ1 = τ2 = 0.10 h 0.0012 2.90 ζ1 = ζ2 = 2.0 0.0018 0.0175 Γ1(o) = Γ3(o) =100 0.034 16.5 γ1 = γ3 = 0.95 0.076 0.13 λ = 60.0 h -1 A Figura 7.16 mostra os perfis de concentração de etanol (a) e oxigénio dissolvido (b) onde é visível a boa prestação do controlador (sintonização com um EDSO). A pequena oscilação inicial é devida à rápida alternância entre os regimes respiro-fermentativo e respirativo. São também mostrados os perfis das acções de controlo, em termos de taxa de diluição e OTR (c, d). O aspecto exponencial dos perfis está de acordo com a manutenção 7. CONTROLO ADAPTATIVO 260 do metabolismo em regime respiro-fermentativo com a concomitante produção de etanol e consumo de oxigénio que são compensados através do efeito de diluição e do incremento do arejamento. -3 x 10 (a) (b) 2.2 O(t) [g/L] E(t) [g/L] 0.5005 0.5 1.8 0.4995 0 5 10 Tempo [h] 15 0 1.5 (c) OTR(t) [g/(L.h)] D(t) [1/h] 0.15 0.1 0.05 0 0 2 5 10 Tempo [h] 15 5 10 Tempo [h] 15 5 10 Tempo [h] 15 (d) 1 0.5 0 0 Figura 7.16 Controlo do etanol (a) e do oxigénio dissolvido (b) com as correspondentes acções de controlo (c, d) - lei de adaptação EDSO A Figura 7.17 apresenta as estimativas dos parâmetros θ1 (c) e θ3 (d). O traço contínuo mostra o valor supostamente verdadeiro do parâmetro θi, sendo visível através da constância desse valor, a manutenção do metabolismo em regime respiro-fermentativo. A Figura 7.18 mostra os perfis de concentração de etanol (a) e oxigénio dissolvido (b) para o caso de utilização da lei de adaptação via mínimos quadrados recursivos. O controlador apresenta uma resposta com muitas oscilações devido à alternância frequente entre os dois regimes metabólicos, conforme se pode verificar na Figura 7.19 (c e d), mostrando-se incapaz de manter o processo em regime respiro-fermentativo. 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO (b) (a) 1.15 1.5 RQ(t) CTR(t) [g/(L.h)] 2 1 1.1 1.05 0.5 0 0 5 10 Tempo [h] 15 0 (c) 3.46 2.92 Teta3 2.91 Teta1 261 2.9 2.89 5 10 Tempo [h] 15 5 10 Tempo [h] 15 (d) 3.44 3.42 2.88 3.4 2.87 0 5 10 Tempo [h] 15 0 Figura 7.17 Estimativas (traço) dos parâmetros θ1 (c) e θ3 (d) através da lei de adaptação EDSO versus valores verdadeiros (linha contínua); perfil do regressor (a) e do quociente respiratório (b) -3 x 10 3.5 (b) (a) 3 O(t) [g/L] E(t) [g/L] 0.505 0.5 2.5 2 1.5 0.495 1 0 10 Tempo [h] 15 (c) 5 10 Tempo [h] 15 5 10 Tempo [h] 15 (d) 0.1 0.05 0 0 0 OTR(t) [g/(L.h)] D(t) [1/h] 0.15 5 5 10 Tempo [h] 15 1 0.5 0 0 Figura 7.18 Controlo do etanol (a) e do oxigénio dissolvido (b) e correspondentes acções de controlo (c e d) para a lei de adaptação MQR 7. CONTROLO ADAPTATIVO 1.4 (b) (a) 1.5 1.2 RQ(t) CTR(t) [g/(L.h)] 2 262 1 0.5 0.8 0 0 2.8 5 10 Tempo [h] 15 0 5 10 Tempo [h] 15 5 10 Tempo [h] 15 3.5 (d) (c) 3 2.6 2.4 Teta3 Teta1 1 2.2 2 2.5 2 1.8 1.6 0 5 10 Tempo [h] 15 1.5 0 Figura 7.19 Estimativas dos parâmetros θ1 (c) e θ3 (d) através da lei de adaptação MQR; perfil do regressor (a) e do quociente respiratório (b) Os resultados que se seguem foram obtidos usando como lei de adaptação o estimador de dinâmica de 2ª ordem. Para estudar o efeito de medições com ruídos para os valores usados pelas leis de controlo e de adaptação considerou-se a corrupção dos valores de etanol, oxigénio dissolvido e taxa de transferência de dióxido de carbono (regressor) através da adição algébrica de ruído branco não correlacionado com desvio padrão igual a 2%. A Figura 7.20 mostra os resultados desta experiência, onde é visível um desempenho razoável do controlador que apresenta como médias do erro os valores 0.30% para o etanol e 15% para o oxigénio. Os valores estimados dos parâmetros θi surgem na Figura 7.21, notando-se um alisamento das estimativas face a medições com ruídos. 7.5 CONTROLO DA PRODUÇÃO DE FERMENTO DE PADEIRO 263 -3 x 10 0.52 (a) (b) 5 O(t) [g/L] E(t) [g/L] 0.51 0.5 3 2 0.49 1 0.48 0 5 Tempo [h] 10 0 1.5 OTR(t) [g/(L.h)] (c) 0.15 D(t) [1/h] 4 0.1 0.05 0 0 5 Tempo [h] 10 5 Tempo [h] 10 (d) 1 0.5 0 0 10 5 Tempo [h] Figura 7.20 Controlo do etanol (a) e do oxigénio dissolvido (b) e correspondentes acções de controlo (c e d) para medições com ruído branco (b) (a) 1.2 1.5 RQ(t) CTR(t) [g/(L.h)] 2 1 0.5 1.15 1.1 1.05 0 0 5 10 Tempo [h] 15 0 (c) 5 10 Tempo [h] 15 5 10 Tempo [h] 15 (d) 2.92 Teta3 Teta1 3.45 2.9 2.88 3.4 2.86 0 5 10 Tempo [h] 15 3.35 0 Figura 7.21 Estimativas dos parâmetros θ1 (c) e θ3 (d) para medições com ruído branco; perfil do regressor (a) e do quociente respiratório (b) 7. CONTROLO ADAPTATIVO 264 De forma a analisar o mau condicionamento dos valores iniciais de θi considerou-se a utilização dos valores θ1 = θ3 = 4.0. As duas figuras seguintes ilustram o bom desempenho do controlador e da lei de adaptação. As médias dos erros de controlo são 0.054% e 11.0% para etanol e oxigénio respectivamente. A regulação adaptativa das concentrações de etanol e de oxigénio dissolvido (usando o -1 -1 estimador EDSO) apresenta uma produtividade média de 0.54 g.L .h e um rendimento -1 global igual a 0.46 g.g valores substancialmente superiores aos obtidos com a regulação -1 -1 monovariável da concentração de etanol (0.34 g.L .h -1 e 0.425 g.g ). -3 x 10 (a) (b) 5 O(t) [g/L] E(t) [g/L] 0.505 0.5 4 3 2 0.495 0 5 Tempo [h] 1 0 10 1.5 (c) OTR(t) [g/(L.h)] D(t) [1/h] 0.15 0.1 0.05 0 0 5 Tempo [h] 10 5 Tempo [h] 10 5 Tempo [h] 10 (d) 1 0.5 0 0 Figura 7.22 Efeito da utilização de diferentes valores iniciais de θ1 e θ3 7.6 SÍNTESE 265 1.2 1.5 RQ(t) CTR(t) [g/(L.h)] 1.3 (b) (a) 2 1 1.1 1 0.5 0 0 5 Tempo [h] 0.9 0 10 4 (c) 5 Tempo [h] 10 5 Tempo [h] 10 4 (d) 3.5 Teta3 Teta1 3.8 3.6 3.4 3 0 5 Tempo [h] 10 0 Figura 7.23 Estimativas de θ1 (c) e θ3 (d) para valores iniciais diferentes; perfil do regressor (a) e do quociente respiratório (b) 7.6 Síntese Foram apresentados algoritmos para controlo de processos biotecnológicos. Propuseram-se leis de controlo adaptativo para a regulação monovariável e regulação multivariável. A síntese das leis de controlo não linear é realizada por técnicas de geometria diferencial com linearização do sistema por retroacção de estado. A adaptação é feita com base na estimação de parâmetros variáveis no tempo. Foi proposto um novo algoritmo de adaptação com dinâmica de convergência de segunda ordem. Os controladores desenvolvidos, obtidos por redução de ordem do modelo de estado, foram verificados por simulação para a produção de fermento de padeiro. O objectivo do controlo monovariável foi endereçado em termos da regulação da concentração de etanol. Na situação de controlo multivariável, pretendeu regular-se as concentrações de etanol e de oxigénio dissolvido. Os resultados obtidos indicam um bom desempenho para as leis de 7. CONTROLO ADAPTATIVO 266 controlo usando diferentes esquemas de adaptação. O estimador de dinâmica de 2ª ordem mostrou, no entanto, os melhores valores para os critérios ITAE e erro médio. A análise da robustez das leis de controlo e de adaptação demonstrou uma boa adequação do modelo reduzido para a síntese de controlo adaptativo baseado em modelo. O controlo multivariável permitiu a obtenção de maiores valores de produtividade e de rendimento. 7.7 Bibliografia AGRAWAL, P., KOSHY, G., RAMSEIER, M. An Algorithm for Operating a Fed-Batch Fermentor at Optimum Specific-Growth Rate. Biotechnol. Bioeng., 33, 115-125, 1989. AIBA, S., NAGAI, S., NISHIZAWA, Y. Fed Batch Culture of Saccharomyces cerevisiae: A Perspective of Computer Control to Enhance the Productivity in Baker's Yeast Cultivation. Biotechnol. Bioeng., 18, 1001-1016, 1976. ALBRECHT, C., KEIL, P., CHALUPKA, W. A New Approach for the Control of Baker's Yeast Fed-Batch Fermentation. Computer Applications in Fermentation Technology: Modelling and Control of Biotechnological Processes (4th Int. Conf., Cambridge, UK, 1988, N.M. FISH, R.I. FOX, N.F. THORNHILL, Eds.), Elsevier Applied Science, London, 321-330, 1989. ANDERSEN, M.Y. Multivariable Identification for Control of a Continuous Yeast Fermentation. Dissertação de Doutoramento, Technical University of Denamark, Lyngby, 1990. ANDERSON, B.D.O., BITMEAD, R.R., JOHNSON, C.R., KOKOTOVIC, P.V., KOSUT, R.L., MAREELS, I.M.Y., PRALY, L., RIEDLE, B.D. Stability of Adaptive Systems, Passivity and Averaging Analysis. MIT Press, Cambridge MA, 1986. ASHER, R.B., ANDRISANI II, D., DORATO, P. Bibliography on Adaptive Control Systems. Procs. of IEEE, 64:8, 1226-1239, 1976. ÅSTRÖM, K.J. Theory and Applications of Adaptive Control - a Survey. Automatica, 19:5, 471-486, 1983. ÅSTRÖM, K.J., WITTENMARK, B. Adaptive Control. Addison-Wesley, Reading, 1989. ÅSTRÖM, K.J., WITTENMARK, B. Computer Controlled Systems: Theory and Design. Prentice-Hall, Englewood Cliffs NJ, 1984. ÅSTRÖM, K.J., WITTENMARK, B. On Self-tuning Regulators, Automatica, 9, 185-199, 1973. ATHANS, M., FALB, P.L. Optimal Control An Introduction to the Theory and Its Application. McGraw-Hill, New York, 1966. AXELSSON, J.P. Modelling and Control of Fermentation Processes. Dissertação de Doutoramento - Lund Institute of Technology, Lund, 1989. AXELSSON, J.P. On the Role of Adaptive Controllers in Fed-Batch Yeast Production. Preprints of IFAC Int. Symp. Adaptive Control of Chemical Processes ADCHEM'88, (M. KUMMEL, Ed.), Copenhagen, 115120, 1988. BASTIN, G. State Estimation and Adaptive Control of Multilinear Compartmental Systems: Theoretical Framework and Application to (Bio)Chemical Processes. New Trends in Nonlinear Systems Theory, Lecture Notes on Control and Information Science, nº 122, Springer Verlag, Berlin, 341-352, 1989. BASTIN, G., Nonlinear and Adaptive Control in Biotechnology: A Tutorial. Proc. 1st European Control Conference, Hermès, Grenoble, 2001-2012, 1991. BASTIN, G., DOCHAIN, D. Non Linear Adaptive Control Algorithms for Fermentation Processes, Proc.1988 American Control Conference (W.J. BOOK, Ed.), IEEE Publ Serv., 1124-1128, 1988. 7.7 BIBLIOGRAFIA 267 BASTIN, G., DOCHAIN, D. On-line Estimation and Adaptive Control of Bioreactors. Elsevier Science Publishers, Amsterdam, 1990. BASTIN, G., GEVERS, M. Stable Adaptive Observers for Nonlinear Time-Varying Systems. IEEE Trans. Aut. Control, 33:7, 650-658, 1988. BÉLANGER, P.R. A Review of Some Adaptive Control Schemes for Process Control. Chemical Process Control CPC2 (Proc. 2nd Int. Conf., T.F. EDGAR, D. SEBORG, Eds.), Engineering Foundation, New York, 269-286, 1982. BEQUETTE, B.W. Nonlinear Control of Chemical Processes. Ind. Eng. Chem. Res., 30, 1391-1413, 1991. BHAT, J. CHIDAMBARAM, M., MADHAVAN, K.P. Robust Control of a Batch-Fed Fermentor. J. Proc. Cont., 1:3, 146-151, 1991. BITMEAD, R., GEVERS, M., WERTZ, V. Adaptive Optimal Control: The Thinking Man’s GPC. Prentice-Hall, New York, 1990. BORNARD, G., CELLE, F., HAMMOURI, H. Approches Géometriques des Systèmes Non Linéaires. Résultats et Perspectives en Automatique (R. DAVID, J.-M. DION, I.D. LANDAU, Eds.), Hermès, Paris, 81-169, 1988. CHANG, Y.K., LIM, H.C. Fast Inferential Adaptive Optimization of a Continuous Yeast Culture Based on Carbon Dioxide Evolution Rate. Biotechnol. Bioeng., 35, 8-14, 1990. CHEN, L. Modelling, Identifiability and Control of Complex Biotechnological Systems, Dissertação de Doutoramento, Université Catholique de Louvain, Louvain-la-Neuve, 1992. CHEN, L., BASTIN, G., VAN BREUSEGEM, V. A Case Study of Adaptive Nonlinear Regulation of Fed-Batch Biological Reactors. Automatica, 31:1, 55-65, 1995. CHEN, L., BASTIN, G., VAN BREUSEGEM, V. Adaptive Nonlinear Regulation of Fed-Batch Biological Reactors: An Industrial Application. Proc. 30th Conf. on Decision and Control, Brighton, U.K., 21302135, 1991. CLARKE, D.W., GAWTHROP, P.J. Self-tuning Controller. Proc. IEE, pt. D, 126, 633-640, 1975. CLARKE, D.W., MOHTADI, C., TUFFS, P.S. Generalized Predictive Control - Part I. The Basic Algorithm. Part II. Extensions and Interpretations. Automatica, 23: 2, 137-148, 1987. DAIRAKU, K., IZUMOTO, E., MORIKAWA, H., SHIOYA, S., TAKAMATSU, T. Optimal Quality Control of Baker's Yeast Fed-Batch Culture Using Population Dynamics. Biotechnol. Bioeng., 24, 2661-2674, 1982. DAIRAKU, K., YAMASAKI, Y., KUKI, K., SHIOYA, S., TAKAMATSU, T. Maximum Production in a Baker's Yeast Fed-Batch Culture by a Tubing Method. Biotechnol. Bioeng., 23, 2069-2081, 1981 DANTIGNY, P., LAKRORI, M. Simulation of L/A Control in Fed-Batch Culture of Baker's Yeast. Biotechnol. Bioeng., 39, 246-249, 1992. DEKKERS, R.M. State Estimation of a Fed-Batch Baker's Yeast Fermentation. Modelling and Control of Biotechnical Processes (Proc. 1st IFAC Workshop, Helsinki, Finland, 1982, A. HALME, Ed.), Pergamon Press, Oxford, 201-212, 1983. DOCHAIN, D. Design of Adaptive Controllers for Non-linear Stirred Tank Bioreactors: Extension to the MIMO Situation. J. Proc. Cont., 1:1, 41-48, 1991. DOCHAIN, D., BASTIN, G. Adaptive Identification and Control Algorithms for Nonlinear Bacterial Growth Systems. Automatica, 20:5, 621-634, 1984. DOCHAIN, D., BASTIN, G. Stable Adaptive Algorithms for Estimation and Control of Fermentation Processes. Modelling and Control of Biotechnological Processes (A. JOHNSON, Ed.), Pergamon Press, Oxford, 1-6, 1985. FERREIRA, E.C., OLIVEIRA, F., PIMENTA, P., FEYO DE AZEVEDO, S. Model-Based Identification and Control on Baker´s Yeast Fed-Batch Fermentation. 6th European Congress on Biotechnology, Florença, 1993. FISCHER, D.G. Process Control: An Overview and Personal Perspective. Can. J. Chem. Eng., 69, 5-26, 1991. GOODWIN, G.C., SIN, K.S. Adaptive Filtering, Prediction and Control, Prentice-Hall, 1984. 7. CONTROLO ADAPTATIVO 268 HAGANDER, P., AXELSSON, J.P., HOLST, O. Substrate Control of Biotechnical Fedbatch Processes Robustness and the Role of Adaptivity. Preprints 11th IFAC World Congress, Tallinn, Estonia, Vol. 11, 280-285, 1990. HARMON, J., SVORONOS, S.A., LYBERATOS, G., Adaptive Steady-state Optimization of Biomass Productivity in Continuous Fermentors. Biotechnol. Bioeng. 30, 335-344, 1987. HENSON, M.A., SEBORG, D.E. Input-Output Linearization of General Non-Linear Processes. A.I.Ch.E. J. 36, 1753-1757, 1990. HOO, K.A., KANTOR, J.C. Global Linearization and Control of a Mixed-Culture Bioreactor with Competition and External Inhibition. Math. Biosci., 82, 43-62, 1986. ISERMANN, R. Parameter Adaptive Control Algorithms - A Tutorial. Automatica, 18:5, 513-528, 1982. ISIDORI, A Nonlinear Control Systems, 2ª ed., Springer-Verlag, Berlin, 1989. ISIDORI, A., RUBERTI, A. On the Synthesis of Linear Input-Output Responses for Nonlinear Systems. Systems & Control Letters, 4, 17-22, 1984. JONES, K.O., WILLIAMS, D., PHIPPS, D. On-Line Control of Fermentation Processes using an Automatic Tuner. Proc. 5th Int. Symp. on Process Systems Engineering PSE'94, Kyongju, Korea, (E.S. YOON, Ed.), Korean Institute of Chemical Engineers, 663-667, 1994. KANELLAKOPOULOS, I., KOKOTOVIC, P.V., MORSE, A.S. Systematic Design of Adaptive Controllers for Feedback Linearizable Systems. IEEE Trans. Aut. Control, 36, 11, 1241-1253, 1991. KEULERS, M. Identification and Control of a Fed-Batch Process; Application to Culture of Saccharomyces cerevisiae. Dissertação de Doutoramento, Technische Universiteit Eindhoven, 1993. KOKOTOVIC, P., KHALIL, H.K., O´REILLY, J. Singular Perturbation Methods in Control: Analysis and Design. Academic Press, Londres, 1986. KOKOTOVIC, P.V. Recent Trends in Feedback Design: An Overview. Automatica, 21:3, 225-236, 1985. KOLE, M.M., THOMPSON, B.G., GERSON, D.F. Ammonium Concentration Control in Fed-Batch Fermentations of Saccharomyces cerevisiae. J. Ferment. Technol., 63, 2, 121-125, 1985. KRAVARIS, C., KANTOR, J.C. Geometric Methods for Nonlinear Process Control. 1. Background. Ind. Eng. Chem. Res., 29, 2295-2310, 1990a. KRAVARIS, C., KANTOR, J.C. Geometric Methods for Nonlinear Process Control. 2. Controller Synthesis. Ind. Eng. Chem. Res., 29, 2310-2323, 1990b. KREISSELMEIER, G., NARENDRA, K.S. Stable Model Reference Adaptive Control in the Presence of Bounded Disturbances, IEEE Trans. Aut. Control, 27:6, 1169-1175, 1982. KURTANJEK, Z. Optimal Nonsingular Control of Fed-Batch Fermentation. Biotechnol. Bioeng., 37, 814-823, 1991. LANDAU, I.D. Combining Model Reference Adaptive Controllers and Stochastic Self-tuning Regulators. Automatica, 18:1, 77-84, 1982. LANDAU, I.D. Evolution of Adaptive Control. J. Dynamic Syst. Meas. Control, 115, 381, 1993. LANDAU, I.D. Model Reference Adaptive Control. Systems & Control Encyclopedia. Theory, Technology, Applications, (M.G. SINGH, Ed.), Pergamon Press, Oxford, 3044-3047, 1987. LEE, S.C., HWANG, Y.B., CHANG, H.N., CHANG, Y.K. Adaptive Control of Dissolved Oxygen Concentration in a Bioreactor. Biotechnol. Bioeng., 37, 597-607, 1991. LJUNG, L., Control Theory 1984-1986. A Progress Report from IFAC’s Technical Committee on Theory. Automatica, 24:4, 573-583, 1988. MACKI, J., STRAUSS, A. Introduction to Optimal Control Theory. Springer-Verlag, Berlin, 1982. MARTIN-SÁNCHEZ, J.M., FISHER, D.G., SHAH, S.L. A Stable Adaptive Predictive Control System. Int. J. Control, 39, 215-234, 1984. MISKIEWICZ, T., MISZCZAK, W. An Adaptive On-line Control Feed Rate System in a Laboratory Scale Baker's Yeast Process. Biotechnol. Lett., 7, 5, 365-368, 1985. 7.7 BIBLIOGRAFIA 269 MODAK, J.M., LIM, H.C. Simple Nonsingular Control Approach to Fed-Batch Fermentation Optimization. Biotechnol. Bioeng., 33, 11-15, 1989. MODAK, J.M., LIM, H.C., TAYEB, Y.J. General Characteristics of Optimal Feed Rate Profiles for Various Fed-batch Fermentation Processes. Biotechnol. Bioeng., 28, 1396-1407, 1986. MONTAGUE, G.A., MORRIS, A.J., WRIGHT, A.R., AYNSLEY, M., WARD, A. Modelling and Adaptive Control of Fed-batch Penicillin Fermentation. Can. J. Chem. Eng. 64, 567-580, 1986. MONTGOMERY, P.A., WILLIAMS, D., SWANICK, B.H. Control of Fermentation Process by an Adaptive Technique. Modelling and Control of Biotechnological Processes (A. JOHNSON, Ed.), Pergamon Press, Oxford, 111-119, 1986. MORARI, M. Current Directions in Process Control Theory. Proc. 5th Int. Symp. on Process System Engineering, PSE'94, Kyongju, Korea, (E.S. YOON, Ed. Korean Institute of Chemical Engineeers), 849863, 1994. MORARI, M., ZAFIRIOU, E. Robust Process Control, Prentice-Hall, Inc., Englewood Cliffs NJ, 1989. MOSCA, E., ZAPPA, G., LEMOS, J.M. Robustness of Multipredictor Adaptive Regulators: MUSMAR. Automatica, 25:4, 521-529, 1989. NAJIM, K., M'SAAD, M. Adaptive Control: Theory and Practical Aspects. J. Proc. Cont., 1:2, 84-95, 1991. NARENDRA, K.S., ANNASWAMY, A.M. Stable Adaptive Systems, Prentice-Hall, Inc., Englewood Cliffs NJ, 1989. PARK, Y.S., SHI, Z.P., SHIBA, S., CHANTAL, C., IIJIMA, S., KOBAYASHI, T. Application of Fuzzy Reasoning to Control of Glucose and Ethanol Concentrations in Baker's Yeast Culture. Appl. Microbiol. Biotechnol., 38, 649-655, 1993. PERINGER, P., BLACHERE, H.T. Modeling and Optimal Control of Baker's Yeast Production in Repeated FedBatch Culture. Computer Applications in Fermentation Technology, Biotechnology and Bioengineering Symp. Series, nº 9, (W.B. ARMIGER, Ed.), John Wiley & Sons, 205-213, 1979. PERRIER, M., DOCHAIN, D. Evaluation of Control Strategies for Anaerobic Digestion Processes. Int. J. Adaptive Control and Signal Processing, 7, 309-321, 1993. PETERKA, V. Predictor-based Self-Tuning Control. Automatica, 20, 5, 39-50, 1984. POMERLEAU, Y. Modélisation et Contrôle d'un Procédé Fed-Batch de Culture des Levures à Pain (Saccharomyces cerevisiae). Dissertação de Doutoramento, Université de Montreal, 1990. POMERLEAU, Y., PERRIER, M. On-line Estimation and Adaptive Nonlinear Control of a Fed-Batch Process: Experimental Results. Ann. N.Y. Acad. Sci. (Proc. of Biochemical Engineering VII), 665, 345-355, 1992. POMERLEAU, Y., VIEL, G. Industrial Application of Adaptive Nonlinear Control for Baker's Yeast Production. Modeling and Control of Biotechnical Processes 1992 (2nd IFAC Symp. and 5th Int. Conf. Computer Applications in Fermentation Technology, Keystone USA, M. NAZMUL KARIM, G. STEPHANOPOULOS, Eds.), Pergamon Press, Oxford, 315-318, 1992. PONS, M.-N., RAJAB, A., ENGASSER, J.-M. Influence of Acetate on Growth Kinetics and Production Control of Saccharomyces cerevisiae on Glucose and Ethanol. Appl. Microbiol. Biotechnol., 24, 193-198, 1986. RAMSEIER, M., AGRAWAL, P., MELLICHAMP, A.D. Non-linear Adaptive Control of Fermentation Process utilizing a priori Modelling Knowledge. J. Proc. Control, 2, 3, 129-138, 1992. RAMSEIER, M.E. Nonlinear Adaptive Control of Fermentation Processes Utilizing a Priori Modeling Knowledge. Dissertação de Doutoramento, University of California, Santa Barbara, 1991. RAY, W.H. Advanced Process Control. McGraw-Hill, New York, 1981. ROUX, G. Contribution à l'Elaboration d'Algorithme de Commande Adaptative pour la Conduite de Procédés Fermentaires. Dissertação de Doutoramento, Université Paul Sabatier de Toulouse, 1992. SASTRY, S., BODSON, M. Adaptive Control. Stability, Convergence, and Robustness, Prentice-Hall, Inc., Englewood Cliffs NJ, 1989. 7. CONTROLO ADAPTATIVO 270 SASTRY, S., ISIDORI, A. Adaptive Control of Linearizable Systems. IEEE Trans. Aut. Control, 34, 11, 11231131, 1989. SEBORG, D.E., EDGAR, T.F., MELLICHAMP, D.A., Process Dynamics and Control. John Wiley, New York, 1989. SEBORG, D.E., EDGAR, T.F., SHAH, S.L., Adaptive Control Strategies for Process Control: A Survey, AIChE. J., 32:6, 881-913, 1986. SEMONES, G.B., LIM, H.C. Experimental Multivariable Adaptive Optimization of the Steady-State Cellular Productivity of a Continuous Baker's Yeast Culture. Biotechnol. Bioeng., 33, 16-25, 1989. SHI, Z., SHIMIZU, K., WATANABE, N., KOBAYASHI, T. Adaptive On-Line Optimizing Control of Bioreactor Systems, Biotechnol. Bioeng., 33, 999-1009, 1989. SHIOYA, S., SHIMIZU, H., OGATA, M., TAKAMATSU, T. Simulation and Experimental Studies of the Profile Control of the Specific Growth Rate in a Fed-batch Culture. Modelling and Control of Biotechnological Processes (Proc. 1st IFAC Symp., Noordwijkerhout, The Netherlands 1985, A. JOHNSON, Ed.), Pergamon Press, Oxford, 79-84, 1986. SIIMES, T., LINKO, P., VON NUMERS, C., NAKAJIMA, M., ENDO, I. Real-Time Fuzzy-Knowledge-Based Control of Baker's Yeast Production. Biotechnol. Bioeng., 45, 135-143, 1995. STEPHANOPOULOS, G., Chemical Process Control - An Introduction to Theory and Practice. Prentice-Hall, Englewood Cliffs NJ, 1984. TAKAMATSU, T., SHIOYA, S., OKADA, Y. KANDA, M. Profile Control Scheme in a Baker's Yeast Fed-Batch Culture, Biotechnol. Bioeng., 27, 1675-1686, 1985. TAYLOR, D.G., KOKOTOVIC, P.V., MARINO, R., KANELLAKOPOULOS, I. Adaptive Regulation of Nonlinear Systems with Unmodeled Dynamics. IEEE Trans. Aut. Control, 34, 4, 405-412, 1989. VAN BREUSEGEM, V., BASTIN, G. Reduced Order Dynamical Modelling of Reaction Systems: a Singular Perturbation Approach. Proc. 30th Conf. on Decision and Control, Brighton, U.K., 1049-1054, 1991. VAN BREUSEGEM, V., BASTIN, G. Order Reduction in Bioprocess Modelling: A Singular Perturbation Solution. Modeling and Control of Biotechnical Processes 1992 (2nd IFAC Symp. and 5th Int. Conf. Computer Applications in Fermentation Technology, Keystone USA, M. NAZMUL KARIM, G. STEPHANOPOULOS, Eds.), Pergamon Press, Oxford, 347-350, 1992. VAN IMPE, J.F. Modeling and Optimal Adaptive Control of Biotechnological Processes. Dissertação de Doutoramento, Katholique Universiteit Leuven, 1993. VERBRUGGEN, H.B., EELDERINK, G.H.B., VAN DEN BROECKE, P.M. Multiloop Controlled Fed-batch Fermentation Process Using a Self-Tuning Controller. Modelling and Control of Biotechnological Processes (A. JOHNSON, Ed.), Pergamon Press, Oxford, 121-126, 1986. VIGIÉ, P., GOMA, G., RENAUD, P.Y., CHAMILOTHORIS, G., DAHHOU, B., POURCIEL, J.B., Adaptive Predictive Control of a Multistage Fermentation Process. Biotechnol. Bioeng., 35, 217-223, 1990. WELLSTEAD, P.E., ZARROP, M.B. Self-Tuning Systems: Control and Signal Processing, John Wiley & Sons, Chichester, 1991. WILLIAMS, D., MONTGOMERY, P.A. Multivariable Adaptive Control of Baker's Yeast Fermentation. IEE Proc., Pt. D. (Control in Bioprocessing), 133:5, 247-253, 1986. WILLIAMS, D., YOUSEFPOUR, P., SWANICK, B.H. Online Adaptive Control of a Fermentation Process. IEE Proc., Pt. D., 131:4, 117-124, 1984. WILLIAMS, D., YOUSEFPOUR, P., WELLINGTON, M.H. On-line Adaptive Control of a Fed-batch Fermentation of Saccharomyces cerevisiae. Biotechnol. Bioeng., 28, 5, 631-645, 1986. WITTENMARK, B. Stochastic Adaptive Control Methods: a Survey. Int. J. Control, 21:5, 705-730, 1975. WOEHRER, W., HAMPEL, W., ROEHR, M. Ethanol- and RQ-Based Computer Control in Fed Batch Culture of Baker's Yeast. Advances in Biotechnology, 1 (6th Int. Fermentation Symp., M. MOO-YOUNG, C.W. ROBINSON, C. VEZINA, Eds.) Pergamon Press, Toronto, p. 419-424, 1981. 7.7 BIBLIOGRAFIA 271 WU, W.-T., CHEN, K.-C., CHIOU, H.-W. On-line Optimal Control for Fed-batch Culture of Baker's Yeast Production. Biotechnol. Bioeng., 27, 756-760, 1985. WU, W.-T., JANG, W.-D., WU, S.-C. On-line Control for Cultivation of Saccharomyces cerevisiae via Weighted Moving Identification. Chem. Eng. J., 36, B1-B6, 1987. YAMANÈ, T., MATSUDA, M., SADA, E. Application of Porous Teflon Tubing Method to Automatic Fed-Batch Culture of Microorganisms. II. Automatic Constant-Value Control of Fed Substrate (Ethanol) Concentration in Semibacth Culture of Yeast. Biotechnol. Bioeng., 23, 2509-2524, 1981. YUAN, J.-Q., BELLGARDT, K.-H. Investigations on the Optimal Control of Storage Stability of Compressed Baker’s Yeast Saccharomyces cerevisiae. J. Biotechnology, 32, 261-272, 1994. ZENG, F.Y., DAHHOU, B., NIHTILA, M.T. Adaptive Control of a Nonlinear Fermentation Process via MRAC Technique. Appl. Math. Modelling, 17, 2, 58-69, 1993. ZHANG, X.-C., VISALA, A., HALME, A., LINKO, P. Functional State Modeling and Fuzzy Control of Fed-batch Aerobic Baker's Yeast Process. J. Biotechnol., 37, 1-10, 1994. IDENTIFICAÇÃO E CONTROLO ADAPTATIVO DE PROCESSOS BIOTECNOLÓGICOS EUGÉNIO C. FERREIRA TESE DE DOUTORAMENTO EM ENGENHARIA QUÍMICA FEUP 1995 8. Conclusões e Recomendações “A fantástica capacidade de persuasão da análise matemática rigorosa, com a sua atmosfera de precisão e elegância, não nos deve cegar para os defeitos das premissas subjacentes a todo o processo” T.C. CHAMBERLAIN (sobre o cálculo da idade da Terra por Lord Kelvin no séc. XIX) As abordagens matemáticas introduzidas neste trabalho foram baseadas na utilização de modelos determinísticos para os processos em estudo. A utilização sistemática de uma estrutura global para reactores biológicos possibilita a generalização dos algoritmos propostos a outros processos. A teoria de estimação apresentada é independente dos processos em estudo. Um aspecto importante e comum aos algoritmos desenvolvidos é o facto de nunca se postular um modelo cinético para as taxas de crescimento (ou de reacção). Estas são consideradas parâmetros desconhecidos e variáveis no tempo. Os objectivos principais desta tese, de desenvolvimento de algoritmos para melhorar a monitorização em tempo real e para controlo adaptativo de processos biotecnológicos, foram atingidos com sucesso. Os sensores por programação apresentados permitem tornear a falta ou custo proibitivo de sensores para a medição em linha de certas variáveis. A estimação em linha de variáveis de estado não medidas e de taxas de crescimento (ou de reacção) permitem afirmar que a introdução de soluções avançadas na monitorização contribui para um melhor conhecimento do processo. Particularmente, nos processos fermentativos, a estimação da concentração de biomassa possibilita a determinação do estado do processo e da actividade metabólica dos microrganismos. A introdução de sistemas de controlo por retroacção na produção semi-contínua de fermento de padeiro conduz a ganhos de produtividade e à obtenção de rendimentos superiores relativamente ao funcionamento tradicional de alimentação do fermentador em ciclo aberto. 8. CONCLUSÕES E RECOMENDAÇÕES 274 A procura heurística de perfis de alimentação para a identificação de coeficientes de rendimento do modelo de fermento de padeiro é ajudada pela quantificação da riqueza informativa, recorrendo-se para isso a um conjunto de coeficientes de rendimento normalmente obtidos à priori. Este conhecimento prévio dos coeficientes de rendimento possibilita a simulação do modelo, face a várias trajectórias de alimentação. O algoritmo de estimação de parâmetros para estimação de cinéticas e de parâmetros das leis de controlo é baseado na conhecida estrutura canónica dos sistemas de 2ª ordem. A sua sintonização apresenta a vantagem de se fornecerem somente dois parâmetros com significado físico: o período natural de oscilação e o coeficiente de amortecimento. Uma vantagem acrescida provem de, na síntese de controlo adaptativo, se fixarem as dinâmicas do controlador e do estimador por sintonização única daqueles parâmetros. A estimação de estado na produção de fermento de padeiro é dependente da estimação das cinéticas, pelo facto de necessitar conhecer-se o regime metabólico das células. As tarefas de identificação dos coeficientes de rendimento, estimação de estados e controlo adaptativo são realizadas sem o conhecimento das cinéticas das reacções. O problema de identificação dos coeficientes de rendimento é resolvido por introdução de uma transformação no modelo, que possibilita uma formulação na forma de regressão linear. A síntese das leis de controlo não linear assenta numa metodologia geral que explora a estrutura não linear do modelo do processo. A retroacção de estado possibilita a linearização do sistema em ciclo fechado. A lei de controlo é obtida através da redução de ordem do modelo, realizada por considerações de estado quase estacionário para algumas variáveis. A abordagem adaptativa é introduzida para compensar os erros de estrutura da lei de controlo e também as incertezas nos valores dos parâmetros. A adaptação dos parâmetros é feita por recurso a estimadores. As leis de controlo são verificadas por simulação, permitindo deste modo explorar-se as qualidades e defeitos dessas leis. A análise das leis de controlo (e as leis de adaptação) face a alteração na referência, alteração na carga, medições com ruídos e mau condicionamento dos valores iniciais dos parâmetros, demonstra um desempenho robusto. A regulação em simultâneo da concentração de etanol e oxigénio conduz a ganhos de produtividade e de rendimento comparativamente à regulação monovariável de etanol. 8. CONCLUSÕES E RECOMENDAÇÕES 275 As principais contribuições desta tese podem ser resumidas nos seguintes pontos: • utilização de modelos parciais do processo de fermento de padeiro para planear experiências de identificação de coeficientes de rendimento com base no conteúdo informativo; • proposta de lei de regulação multivariável para a produção de fermento de padeiro; • leis de adaptação, para estimação de parâmetros em estimadores e controladores, com dinâmica de resposta de 2ª ordem; • possibilidade de encurtar tempos de análise no processo de síntese enzimática de ampicilina através de estimação de estados por observadores assimptóticos; • estimação de cinéticas na síntese enzimática de ampicilina, na fermentação etanólica e na fermentação de fermento de padeiro. • descrição pormenorizada da dinâmica da fase gasosa e de gases dissolvidos; utilização de medições da fase gasosa para cálculo de parâmetros (taxas) de transferência de massa; As seguintes sugestões de trabalho futuro, perspectivadas principalmente para a produção de fermento de padeiro, deverão complementar a investigação iniciada nesta tese: • verificação experimental das abordagens matemáticas desenvolvidas para a produção de fermento de padeiro; • utilização de substratos industriais na produção de fermento de padeiro; deve ser investigada a transposição de resultados no caso de utilização de melaços, cuja composição das matérias-primas é mal definida e apresentam um grande grau de variabilidade, dado que existe ainda um conhecimento insuficiente relativamente à utilização de modelos obtidos com experiências efectuadas com substratos puros; • procura óptima de trajectórias de entradas (caudal de alimentação, arejamento) para identificação de coeficientes de rendimento. O problema de optimização não linear pode ser resolvido pelo método conjugado do gradiente a expensas de um grande poder computacional (recorre-se normalmente a super-computadores). O advento de meios de computação paralela poderá constituir uma alternativa viável para o exigente cálculo de optimização; • formulação de estratégias de controlo óptimo (possivelmente adaptativo) para a maximização de funcionais, como por exemplo a produtividade; 8. CONCLUSÕES E RECOMENDAÇÕES • utilização de outras medições: utilização de espectrómetro de massa equipado com uma sonda para análise de voláteis poderá permitir uma melhor compreensão das vias metabólicas através da análise de compostos como piruvato, acetato, acetaldeído e glicerol; utilização do potencial de oxidação-redução poderá constituir uma indicação da disponibilidade de oxigénio nas células. • aplicação a outros processos biotecnológicos e a sistemas de multi-reactores e reactores de parâmetros distribuídos (reactores multifásicos, por exemplo); • a transferência de tecnologia deve ser endereçada: é desejável a implementação dos algoritmos desenvolvidos em sistemas de supervisão industrial; 276 277 Apêndices 279 APÊNDICE A: Modelo de simulação da produção de fermento de padeiro O modelo dinâmico para o crescimento de fermento de padeiro num fermentador semicontínuo é obtido por balanços de massa aos componentes, considerando que o reactor é perfeitamente agitado, os coeficientes de rendimento são constantes e que a dinâmica da fase gasosa pode ser desprezável. 1. Modelo cinético É utilizado o modelo cinético proposto por SONNLEITNER e KÄPPELI (1986) baseado no princípio da capacidade respiratória limitada (“bottleneck”). O crescimento do fermento de padeiro em glucose com produção e/ou consumo de etanol pode ser caracterizado por três vias metabólicas principais: • Crescimento respiratório em glucose (via oxidativa) µo s S + O ⎯⎯⎯ →X +C (A.107) • Crescimento fermentativo em glucose (via redutiva) µr s S ⎯⎯⎯ →X +C + E (A.108) • Crescimento respiratório em etanol (via oxidativa) µo e E + O ⎯⎯⎯ → X +C (A.109) em que S, O, X, C e E representam respectivamente glucose, oxigénio, biomassa, dióxido o r o de carbono e etanol; µs , µs e µe representam as taxas específicas de crescimento e os ki são os coeficientes de rendimento, expressos em relação à produção de uma unidade de levedura em cada reacção. No seguimento, S, …, E designarão concentrações dos APÊNDICE A: MODELO DE SIMULAÇÃO DA PRODUÇÃO DE FERMENTO DE PADEIRO 280 componentes anteriormente referidos. As vias metabólicas do crescimento oxidativo em glucose e etanol são governadas pela capacidade respiratória das células - estado respirativo. Se a glucose estiver presente em pequenas concentrações e houver suficiente oxigénio disponível no meio, ocorrerá somente o metabolismo oxidativo, sendo a glucose o substrato preferencial em vez do etanol. Por outro lado, se o fluxo de glucose exceder a capacidade respiratória máxima, uma parte desse fluxo será catabolizado oxidativamente e o restante seguirá um catabolismo fermentativo, produzindo etanol. Neste caso não haverá lugar a crescimento oxidativo em etanol. Esta situação corresponde ao estado respiro-fermentativo também designado por oxido-redutivo. As equações cinéticas para o crescimento de fermento de padeiro são postuladas como se segue (SONNLEITNER e KÄPPELI, 1986). A taxa específica (total) de consumo de glucose pode ser descrita pelo modelo cinético de MONOD: qs = qsmax S ( S + Ks ) max em que qs (A.110) é o valor máximo para taxa específica de consumo de glucose e Ks é um parâmetro de saturação. A taxa específica de consumo respirativo (oxidativo) de glucose depende da disponibilidade de oxigénio dissolvido e pode ser definida como ⎛ YO ⎞ qsresp = ⎜ 2 ⎟ qOs 2 ⎝ Yo ⎠ (A.111) sendo YO2 o coeficiente de rendimento biomassa/oxigénio, Yo o coeficiente de rendimento biomassa/glucose para a via oxidativa e req max req ⎪⎧ qO2 ⇐ qO2 ≥ qO2 qOs 2 = ⎨ max max req ⎪⎩qO2 ⇐ qO2 < qO2 req (A.112) em que qO2 é a taxa específica de utilização de oxigénio necessário para a oxidação do açúcar consumido, calculada como se segue: APÊNDICE A: MODELO DE SIMULAÇÃO DA PRODUÇÃO DE FERMENTO DE PADEIRO ⎛Y qOreq2 = ⎜ o ⎜ YO ⎝ 2 ⎞ ⎟⎟ qs ⎠ 281 (A.113) max onde qO2 representa a taxa específica máxima de utilização de oxigénio, seguindo também uma cinética de Monod: O (O + Kc ) qOmax = qcmax 2 max qc (A.114) o valor máximo para a taxa específica de utilização de oxigénio, Kc é um parâmetro de saturação. Dado que a taxa de consumo de glucose qs segue duas vias metabólicas (oxidativa e fermentativa), o fluxo fermentativo (redutivo) de glucose pode ser calculado como sendo a diferença entre o fluxo total de glucose e o consumo oxidativo de glucose: red resp qs = qs – qs (A.115) A utilização do etanol é influenciada pela prioridade no consumo de glucose, que, por sua vez, funciona como inibidor. A taxa específica de utilização de etanol pode ser descrita como se segue: qe1 ≡ qemax Ki E ( E + Ke ) ( S + Ki ) max em que qe (A.116) é o valor máximo para a taxa específica de utilização de etanol, Ki é um parâmetro de inibição, Ke é um parâmetro de saturação. Esta equação é utilizada somente se estiver disponível capacidade respiratória das células para utilização de etanol, calculada por: qe2 ≡ YO2e Ye (q max O2 − qOreq2 ) (A.117) em que YO2e é o coeficiente de rendimento biomassa/oxigénio e Ye é o coeficiente de 1 rendimento biomassa/etanol para a via oxidativa do etanol. Consequentemente qe deve ser 2 menor ou igual a qe , ou seja a taxa específica de utilização de etanol é considerada como o valor mínimo entre estas duas taxas: APÊNDICE A: MODELO DE SIMULAÇÃO DA PRODUÇÃO DE FERMENTO DE PADEIRO 1 2 qe = min(qe , qe ) 282 (A.118) A taxa específica total de crescimento, µt, é constituída pela soma das três taxas de crescimento para as três vias correspondentes: o r o µ = µs + µs + µe (A.119) em que as taxas específicas podem ser relacionadas com os correspondentes fluxos de substratos e com os coeficientes de rendimento como se segue: resp µ = Yoqs red + Yrqs + Yeqe (A.120) A Figura A.1 ilustra o cálculo das taxas específicas de crescimento para as três vias metabólicas. Os valores dos parâmetros cinéticos usados nas simulações estão presentes na Tabela A.1. Tabela A.1 Parâmetros cinéticos Parâmetro Valor max 3.50 g glucose/(g biomassa.h) max 0.256 g oxigénio/(g biomassa.h) max 0.236 g etanol/(g biomassa.h) qs qc qe -1 Ke 0.10 g.L Ki 0.10 g.L Ks 0.20 g.L Kc 0.0001 g.L -1 -1 -1 APÊNDICE A: MODELO DE SIMULAÇÃO DA PRODUÇÃO DE FERMENTO DE PADEIRO S Glucose qs qs q max s (Ks + S) qs +- qs qs S µo qs [R] q Yo YO2 q sresp qs q Omax 2 qcmax (KC + O) Oxigénio O q sred Yo capacidade respiratória q omax µr [RF] Yr q Oreq2 , q Omax 2 q Oreq2 O µr Yo 2 qs µο [R] Yo red q sresp req O2 283 [R]: qOmax >= q Oreq 2 2 q Oreq2 q Oreq2 = q Omax 2 q Omax 2 [RF]: qOmax < q Oreq 2 2 q Omax 2 µo µo [RF] YO2 q Oreq2 q Omax 2 + - q eth O2 q 2E YO 2 e Ye S E Etanol q max E E ki (E + k )(S + k ) E qe Eta no l q eth O2 i qE qE 2 qE 1 ose Gluc min(q 1E , q 2E ) µe Ye µe [R] qE Figura A.1 Esquema de cálculo das taxas específicas de crescimento na produção de fermento de padeiro 2. Modelo dinâmico do fermentador Os balanços de massa são escritos para os diferentes componentes em termos de concentração como se segue dX = ( µ so + µ sr + µ eo ) X − DX dt (A.121) dS ⎛ µso µsr ⎞ = ⎜− − ⎟ X − DS + DSe dt ⎝ Yo Yr ⎠ (A.122) dE ⎛ µ sr µ eo ⎞ =⎜ − ⎟ X − DE dt ⎝ Yre Ye ⎠ (A.123) dO ⎛ µ so µ eo ⎞ = ⎜− − ⎟ X − DO + OTR dt ⎜⎝ YO2 YO2e ⎟⎠ (A.124) APÊNDICE A: MODELO DE SIMULAÇÃO DA PRODUÇÃO DE FERMENTO DE PADEIRO dC ⎛ µ so µ sr µ eo ⎞ =⎜ + + ⎟ X − DC + CTR dt ⎜⎝ Ygo Ygr Yge ⎟⎠ 284 (A.125) e a equação adicional dV dt = F = DV (A.126) Nas equações anteriores, D é a taxa de diluição, Yi são coeficientes de rendimento biomassa/substrato, Se é a concentração de glucose na alimentação, CTR é a taxa de transferência de dióxido de carbono e OTR é a taxa de transferência de oxigénio. Estas taxas são calculadas durante a simulação como se segue O2 OTR = KL a(Osat – O) (A.127) CO2 CTR = KL a(C – Csat) (A.128) com O2 -1 KL a coeficiente global de transferência de oxigénio: 100 h ; Osat -1 concentração de saturação de oxigénio dissolvido: 7.0 mg.L ; CO2 -1 KL a coeficiente global de transferência de dióxido de carbono: 90 h ; Csat -1 concentração de saturação de dióxido de carbono dissolvido: 5.3 mg.L ; O conjunto de equações apresentadas tem uma estrutura comum que permite a sua representação pelo modelo geral proposto por BASTIN e DOCHAIN (1990): dξ = Kϕ (ξ ) − Dξ + F − Q(ξ ) dt (A.129) que neste caso toma a seguinte forma matricial: ⎡X ⎤ ⎡ 1 ⎢ S ⎥ ⎢ −k 1 d ⎢ ⎥ ⎢ ⎢E⎥ = ⎢ 0 dt ⎢ ⎥ ⎢ ⎢ O ⎥ ⎢ − k5 ⎢⎣ C ⎥⎦ ⎢⎣ k7 1 − k2 k3 0 k8 1 ⎤ ⎡X ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎥ o ⎢ S ⎥ ⎢ DS ⎥ ⎢ 0 ⎥ 0 ⎥ ⎡µs ⎤ ⎢ ⎥ ⎢ e⎥ ⎢ ⎥ ⎢ r⎥ −k4 ⎥ ⎢ µ s ⎥ X − D ⎢ E ⎥ + ⎢ 0 ⎥ − ⎢ 0 ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ − k6 ⎥ ⎢⎣ µ eo ⎥⎦ ⎢ O ⎥ ⎢OTR ⎥ ⎢ 0 ⎥ ⎢⎣ C ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣CTR ⎥⎦ k9 ⎥⎦ (A.130) Os valores dos coeficientes de rendimento usados neste trabalho surgem na Tabela A.2. APÊNDICE A: MODELO DE SIMULAÇÃO DA PRODUÇÃO DE FERMENTO DE PADEIRO 285 Tabela A.2 Valores de coeficientes de rendimento Coeficiente (Coeficiente) -1 Valor Yo k1 0.49 g biomassa/g glucose Yr k2 0.05 g biomassa/g glucose Yre k3 0.10 g biomassa/g etanol Ye k4 0.72 g biomassa/g etanol YO2 k5 1.20 g biomassa/g oxigénio YO2e k6 0.64 g biomassa/g oxigénio Ygo k7 0.81 g biomassa/g CO2 Ygr k8 0.11 g biomassa/g CO2 Yge k9 1.11 g biomassa/g CO2 3. Bibliografia BASTIN, G., DOCHAIN, D. On-line Estimation and Adaptive Control of Bioreactors, Elsevier Science Publishers, Amsterdam, 1990. SONNLEITNER, B., KÄPELLI, O. Growth of Saccharomyces cerevisiae is Controlled by its Limited Respiratory Capacity: Formulation and Verification of a Hypothesis. Biotechnol. Bioeng., 28, 927-937, 1986. 287 APÊNDICE B: Análise de estabilidade, sintonização e convergência de estimadores Nesta secção serão apresentadas as condições que garantem a estabilidade e a dinâmica de convergência do estimador baseado no observador (EBO) e do estimador de dinâmica de segunda ordem (EDSO) relativamente à sintonização das matrizes dos ganhos. 1. Estabilidade e sintonização do estimador EBO O sistema de erros contínuo do EBO pode ser obtido definindo o erro de observação ξ% = ξ − ξ$ e o erro de convergência ρ% = ρ − ρ$ e subtraindo a equação do modelo dinâmico geral de reactores biológicos dξ = KH (ξ , t ) ρ (ξ ) − Dξ + F − Q dt (B.1) à equação do observador dξˆ = KH (ξ ) ρˆ ( t ) − Dξ + F − Q − Ω (ξ ) ξ − ξˆ dt ( ) (B.2) originando: dE = AE + B dt (B.3) com E = ⎡⎣ξ% ρ% ⎤⎦ T ⎡ Ω KH (ξ ) ⎤ ⎥ A=⎢ T 0 ⎥⎦ ⎢⎣ − ⎡⎣ KH (ξ ) ⎤⎦ Γ ⎡ B = ⎢0 ⎣ dρ ⎤ dt ⎥⎦ T APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES 288 em que B é considerado um vector de perturbação externa. Este modelo de erro pode ser considerado um sistema linear variável no tempo (LVT) perturbado (NARENDRA e ANNASWAMY, 1989) devido à presença de variáveis de estado na matriz A. Um resultado padrão para esta espécie de sistema diz que a estabilidade global é garantida se o vector B for limitado e se o sistema não forçado for exponencialmente estável (NARENDRA e ANNASWAMY, 1989). A análise de Entrada Limitada Estado Limitado (ELEL) do modelo dinâmico (B.1) nas condições: C1. A taxa de diluição apresenta um limite inferior: 0 < Dmin ≤ D( t ) ∀t C2. As taxas ou caudais de alimentação são limitadas: 0 < Fi ( t ) ≤ F ( t ) ∀i∀t C3. Cada reacção envolve pelo menos um reagente que não é catalisador nem autocatalisador, conduz a que as variáveis de estado ξ são positivas e limitadas para todo o t (BASTIN e DOCHAIN, 1990). Se adicionalmente C4. ρ(ξ) é uma função diferenciável em ξ, então estão assegurados os limites do vector B de perturbação. Se, por outro lado: C5. Ω é uma matriz constante n×n com todos os seus valores próprios tendo estritamente partes reais; T C6. Γ é uma matriz constante n×n tal que a matriz ΩΓ ΓΩ é definida negativamente. C7. KH(ξ) é uma matriz persistentemente excitante. Então o sistema de erros não forçado é exponencialmente estável. Pode concluir-se que o sistema de erros é globalmente estável. As condições C5 e C6 introduzem algumas restrições para a sintonização das matrizes de ganho Ω e Γ quadradas n×n. BASTIN e DOCHAIN (1990) sugerem a escolha: Ω = diag{–ωi} Γ = diag{γi} i=1,…,n (B.4) em que ωi e γi são 2×n constantes reais estritamente positivas. Com estas escolhas as condições C4 e C5 são automaticamente verificadas e o APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES 289 procedimento de sintonização reduz-se à calibração por tentativa e erro de 2×n escalares constantes. 2. Estabilidade e sintonização do estimador EDSO (II) Uma vez que H(ξ) é uma matriz diagonal, a equação dψ = H (ξ ) ρ (ξ ) − Dψ + K s−1 ( Fs − Qs ) dt (B.5) pode ser desacoplada em m equações como se segue: dψ i = hi ρi − Dψ i + ⎡⎣ K s−1 ( Fs − Qs ) ⎤⎦ i dt (i=1,…,m) (B.6) Dado que Ω e Γ para o EDSO são matrizes diagonais m×m cada uma das duas equações do EDSO pode ser desacoplada em m equações originando: dψˆ i = hi ρˆ i − Dψ i + ⎡⎣ K s−1 ( Fs − Qs ) ⎤⎦ + ωi ( t )(ψ i − ψˆ i ) i dt (B.7) d ρˆ i γ i = (ψ i −ψˆ i ) dt hi (B.8) com i=1,…,m, sendo ωi(t) e γi os elementos diagonais de Ω e Γ respectivamente. O sistema de erros das equações (B.6) e (B.8) é definido pelo erro de observação ψ% i = ψ i −ψˆ i e pelo erro de convergência ρ% i = ρi − ρˆ i . O sistema de erros é um sistema perturbado LVT e é obtido por subtracção da equação (B.7) à equação (B.6) e por reformulação da equação (B.8), originando d ⎡ψ% i ⎤ ⎡ −ωi = dt ⎣⎢ ρ% i ⎦⎥ ⎣⎢ −γ i hi−1 em que ⎡ 0 ⎤ hi ⎤ ⎡ψ% i ⎤ ⎢ + dρ ⎥ 0 ⎦⎥ ⎣⎢ ρ% i ⎦⎥ ⎢ i ⎥ ⎢⎣ dt ⎥⎦ (B.9) d ρi é considerado um perturbação externa persistente. dt Constitui um resultado padrão da teoria da estabilidade de sistemas Entrada Limitada Saída Limitada (ELSL) que um sistema LVT perturbado por uma perturbação externa é APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES 290 globalmente estável se o sistema não perturbado for exponencialmente estável (ou estável uniforme e assimptoticamente no caso de sistemas lineares) e o vector de perturbação for limitado (NARENDRA e ANNASWAMY, 1989). As condições C1 a C4 asseguram os limites de d ρi (BASTIN e DOCHAIN, 1990). dt As condições para que o sistema de erros não perturbado seja uniforme e assimptoticamente estável são as seguintes: C8. As funções de estado hi(ξ) são limitadas: 0 < hmin ≤ hi(ξ) ≤ hmax ∀t≥to; C9. hi(ξ) é uma função diferenciável de ξ o que significa que dhi (ξ ) é limitado; dt C10.Os ganhos γi são constantes reais estritamente positivos; C11.Os ganhos ωi(t) variáveis no tempo devem obedecer à condição ωi (t ) ≥ − dhi (ξ ) ∀t≥to. hi (ξ ) dt 1 Diferenciando a equação de estimação de ρi dρˆ i γ i = (ψ i − ψˆ i ) dt hi (B.10) obtém-se d 2 ρˆ i γ i dψ% i 1 dh = − γ i 2 i ψ% i 2 dt hi dt hi dt (B.11) Combinando a equação anterior com a equação (B.9) e a escolha de ω sugerida por BASTIN e DOCHAIN (1990) conclui-se que 1 d 2 ρˆ i α i ( t ) d ρˆ i + + ρˆ i = ρi γ i dt 2 γ i dt i=1,…,m (B.12) com αi(t) dado por: α i ( t ) = ωi ( t ) + dhi (ξ ) hi (ξ ) dt 1 definindo γi e ωi(t) por: (B.13) APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES γi ≡ 1 (B.14) τ i2 ωi ( t ) ≡ 291 2ζ i τi − dhi (ξ ) hi (ξ ) dt 1 (B.15) a equação (B.12) transforma-se: τ i2 d 2 ρˆ i d ρˆ i + 2ζ iτ i + ρˆ i = ρi 2 dt dt (B.16) o que significa que cada ρˆ i ( t ) converge para o seu verdadeiro valor ρi(t) com uma dinâmica de resposta de segunda ordem, com um período de oscilação natural τi constante e com um coeficiente de amortecimento ζi constante. Note-se que as definições (B.14) e (B.15) obedecem às condições C10 e C11. A actualização dos ganhos ωi(t) (B.15) requer a avaliação da derivada em ordem ao tempo dhi (ξ ) . Uma vez que este termo é dado por: dt dhi (ξ ) dξ = ⎡⎣∇hi (ξ ) ⎤⎦ = ⎡∇hi (ξ ) ⎤⎦ ⎡⎣ KH (ξ ) ρ ( t ) − Dξ + F − Q ⎤⎦ dt dt ⎣ (B.17) sendo [∇hi(ξ)] o gradiente de hi(ξ) em relação às variáveis de estado ξ ∂ hi (ξ ) ⎤ ⎡ ∂ h (ξ ) L ⎡⎣∇hi (ξ ) ⎤⎦ ≡ ⎢ i ⎥ ∂ξ N ⎦ ⎣ ∂ξ1 (B.18) a sua correcta avaliação implicaria o conhecimento dos verdadeiros valores de ρi (t ) . Deste modo o melhor que se pode esperar é obter uma boa aproximação de dhi (ξ ) . Um dt método possível é a discretização da derivada em ordem ao tempo: dhi (ξ ) hi (ξt +1 ) − hi (ξt ) ≅ dt T (B.19) em que T se refere ao período de amostragem, “t+1” e “t” a instantes de amostragem consecutivos. Assim a avaliação em linha de dhi (ξ ) será corrompida pelo erro εi(t): dt APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES εi (t ) = dhi (ξ ) hi (ξt +1 ) − hi (ξt ) − dt T 292 (B.20) Definindo ωi(t) por ωi ( t ) ≡ 2 (ζ i ) d τi − 1 hi (ξ ) hi (ξt +1 ) − hi (ξt ) T (B.21) em que (ζi)d se refere ao coeficiente de amortecimento desejável, resulta um coeficiente ζi(t) variável no tempo, estando relacionado com o valor desejado (ζi)d e o erro εi(t) como se segue: ζ i ( t ) = (ζ i ) d − τ iε i ( t ) 2hi (ξ ) (B.22) Note-se que definindo ωi(t) através da equação (B.21), de forma a obedecer à condição C11, deve garantir-se que o erro de aproximação εi(t) tem um limite inferior: εi (t ) < 2 (ζ i ) d τi hi (ξ ) (B.23) Saliente-se também que a partir das equações (B.22) e (B.23), a condição definida em (B.23) é equivalente a afirmar que ζi(t) deve ser positivo para todo o t. 3. Algumas considerações sobre a implementação numérica A implementação numérica dos algoritmos EDSO requer uma formulação em tempo discreto. A mudança das equações contínuas no tempo para versões discretas no tempo origina questões específicas de estabilidade em que o período de amostragem T desempenha um importante papel. Uma das aproximações mais populares para esta mudança é a discretização de EULER. Neste trabalho são utilizados dois métodos: i. uma discretização avançada de EULER e ii. utilização de uma rotina de integração robusta de passo variável. Para o estimador EDSO a discretização avançada de EULER com ω(t) e γ dados pelas equações (B.14) e (B.15) origina: APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES ˆ k +1 = ψ ˆ k + Th k ρˆ k − TDk ψ k + TU k + Tωk (ψ k − ψ ˆ k) ψ 293 (B.24) T (ψ k −ψˆ k ) τ 2 hk (B.25) hk +1 − hk Thk (B.26) ρˆ k +1 = ρˆ k + com ωk = 2ζ τ − O sistema discreto de erros é escrito como se segue ~ = (1 − Tω )ψ ~ + Th ~ ψ k +1 k k k ρk ρ% k +1 = − (B.27) T ψ% k + ρ% k + ( ρ k +1 − ρ k ) τ 2 hk (B.28) o qual é equivalente a Ek+1 = AkEk + Bk (B.29) com ⎡ψ% k ⎤ Ek = ⎢ hk ⎥ ⎢ ⎥ ⎢⎣ ρ% k ⎥⎦ ⎡ 2ζ ⎢1 − τ T Ak = ⎢ ⎢ −T ⎣⎢ τ 2 ⎤ T⎥ ⎥ 1⎥ ⎦⎥ 0 ⎡ ⎤ Bk = ⎢ ⎥ ⎣ ρ k +1 − ρ k ⎦ O sistema discreto de erros dado por (B.29) é linear invariável no tempo (LIT). O sistema não forçado é exponencialmente estável (e consequentemente o erro da saída de (B.29) é limitado) se os valores próprios de A se mantiverem dentro do círculo unitário. Os valores próprios da matriz A e os correspondentes tempos de amostragem são apresentados na tabela que se segue: APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES 294 Tabela B.1 Valores próprios do sistema discreto de erros do estimador EDSO e correspondentes tempos de amostragem ζ<1 ζ=1 ) 1− T ζ − i 1−ζ ) τ( 1− T ζ +i τ( λ1 1− T λ2 1− T 1− ζ 2 2 0 < T < 2ζτ T ζ>1 τ τ 0<T<τ ζ+ τ( ζ 2 −1 (ζ − ζ 2 −1 1− T 1− T τ 0<T < ) ) τ ζ + ζ 2 −1 Verifica-se que a gama possível para o passo de integração T é limitada e condicionada pela escolha de τ e ζ. A versão discretizada do estimador da taxa específica de crescimento proposto por POMERLEAU e PERRIER (1990): -1 ^ ^ ^ ^ ψ k+1 = ψk + T[Hkρk – Dkψk + Ks (Fs,k – Qs,k) + ω1,k(ψk – ψk)Xk] (B.30) ^ µ^ k+1 = µ^ k + Tω2,k(ψk – ψ k)Xk (B.31) apresenta um sistema discreto de erros também equivalente à equação (B.29) com ⎡ψ% ⎤ Ek = ⎢ k ⎥ ⎣ µ% k ⎦ ⎡1 − T ω1 X k Ak = ⎢ ⎣ −ω 2TX k TX k ⎤ 1 ⎥⎦ 0 ⎡ ⎤ Bk = ⎢ ⎥ ⎣ µ k +1 − µ k ⎦ Os valores próprios da matriz A são dados por: λ1,2 = 1 − ω1 TX TX ± ω12 − 4ω 2 2 2 (B.32) POMERLEAU e PERRIER (1990) sugeriram fixar um pólo duplo (λ1 = λ2, para discriminante nulo) permitindo deste modo relacionar ω2 com ω1: ω1,k = ω2 2 (1 − p ) e ω 2,k = 1, k TX k 4 (B.33) em que p é a posição do pólo no plano Z. Da equação anterior pode verificar-se que os ganhos são variáveis no tempo devido à APÊNDICE B: ANÁLISE DE ESTABILIDADE, SINTONIZAÇÃO E CONVERGÊNCIA DE ESTIMADORES 295 dependência da concentração de biomassa. 4. Bibliografia BASTIN, G., DOCHAIN, D. On-line Estimation and Adaptive Control of Bioreactors, Elsevier Science Publishers, Amsterdam, 1990. NARENDRA, K.S., ANNASWAMY, A.M. Stable Adaptive Systems, Prentice-Hall, Inc., Englewood Cliffs NJ, 1989. POMERLEAU, Y., PERRIER, M. Estimation of Multiple Specific Growth Rates in Bioprocesses. AIChE J., 36, 2, 207-215, 1990.