Otimização de bioprocessos : avaliação de desempenho das abordagens deterministicas e por algoritmos geneticos
Elmer Alberto Ccopa Rivera
TESE
Português
(Broch.)
T/UNICAMP C319o
[Bioprocess optimization: evaluation of performance using deterministic and genetic algorithm approaches]
Campinas, SP : [s.n.], 2006.
182p. : il.
Orientadores: Rubens Maciel Filho, Aline Carvalho da Costa
Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica
Resumo: Esta tese aborda aplicações de modelagem, metodologias sistemáticas e confiáveis de otimização, além de ferramentas computacionais. Estas áreas podem capturar características quantitativas essenciais dos bioprocessos e possuem grande impacto nas práticas modernas da melhoria de desempenho...
Ver mais
Resumo: Esta tese aborda aplicações de modelagem, metodologias sistemáticas e confiáveis de otimização, além de ferramentas computacionais. Estas áreas podem capturar características quantitativas essenciais dos bioprocessos e possuem grande impacto nas práticas modernas da melhoria de desempenho dos processos petroquímicos e mecânicos. É evidente que o mesmo deve ocorrer com os bioprocessos, uma área em que ainda poucos estudos e desenvolvimentos foram feitos. Porém, espera-se que os bioprocessos construídos em cima dos métodos que consideram a análise do problema, codificados como uma ferramenta matemática apropriada para o uso das ferramentas da engenharia de processos assistida por computador, convertam resultados numéricos em soluções de engenharia úteis para produzir, finalmente, uma melhor compreensão de tais sistemas. Diferentes tipos de metodologias, apropriadas para aplicações em computador, foram estudadas com esta finalidade. Os métodos propostos foram aplicados ao desenvolvimento e otimização da produção de bioetanol. A parte central desta tese consiste de artigos científicos (Capítulos 3 - 8). O Capítulo 3 concentra-se nas técnicas de otimização para estimar os parâmetros do modelo cinético do processo de fermentação alcoólica em batelada para a produção de etanol usando Saccharomyces cerevisiae. O Algoritmo Quasi-Newton (QN) e o Algoritmo Genético de código real (RGA) foram usados para resolver o problema de estimação e encontrar uma solução ótima. O Capítulo 4 fornece um modelo híbrido adaptativo que considera o efeito da temperatura na cinética da fermentação alcoólica, representada por redes neurais. O potencial de um RGA e de um algoritmo genético de código binário (BGA), para re-estimar os parâmetros da rede neural, foram avaliados. O desempenho destes algoritmos foi comparado com o algoritmo Quasi-Newton (QN). No Capítulo 5 foi avaliado um procedimento para o desenvolvimento de um modelo matemático robusto para um processo de fermentação alcoólica industrial. O modelo proposto é um modelo híbrido neural, que combina equações de balanço de massa e energia com redes do tipo Functional Link Network para descrever a cinética. Estas redes apresentaram uma boa capacidade de aproximação não-linear, embora a estimação dos seus pesos seja linear. O Capítulo 6 propõe uma nova metodologia para estimação de parâmetros cinéticos. A primeira etapa consiste na obtenção de valores iniciais para todos os parâmetros do modelo. Conseqüentemente, um RGA foi usado para a estimação simultânea dos parâmetros. Na terceira etapa, os parâmetros mais significativos foram identificados usando o planejamento Placket-Burman (PB). Finalmente, os parâmetros mais significativos foram otimizados usando o algoritmo QN, que converge para o ótimo muito mais rápido que o RGA. No Capítulo 7 a modelagem de processos biotecnológicos foi estudada com foco no desenvolvimento das metodologias que podem ser usadas sempre que uma reestimação dos parâmetros seja necessária. O desempenho de um modelo híbrido neural e de um modelo fenomenológico, ambos considerando o efeito da temperatura na cinética, foi avaliado não somente em termos de sua exatidão em descrever os dados experimentais, mas principalmente pelas dificuldades envolvidas na adaptação de seus parâmetros. No Capítulo 8, o modelo não-linear de um processo de fermentação alcoólica extrativa, representado por Redes Neurais Multilayer Perceptron foi otimizado, usando RGA e BGA, para encontrar condições ótimas de operação. A fim de verificar a validade do modelo neural, os resultados foram comparados à otimização de um modelo determinístico, onde os parâmetros cinéticos foram determinados experimentalmente como funções da temperatura. Adicionalmente, o Apêndice A apresenta informações suplementares a respeito da verificação do comportamento não-linear das variáveis do processo extrativo de fermentação alcoólica. Com a finalidade de comparar os resultados de otimização deste processo empregando algoritmos genéticos, o Apêndice B apresenta os resultados de otimização usando Programação Quadrática Sucessiva
Ver menos
Abstract: This thesis addresses the issues of modeling, systematic and reliable optimization methodologies, analysis and computational tools. These fields can capture essential quantitative features of the processes and have a great impact on the modern practices of petrochemical and mechanical...
Ver mais
Abstract: This thesis addresses the issues of modeling, systematic and reliable optimization methodologies, analysis and computational tools. These fields can capture essential quantitative features of the processes and have a great impact on the modern practices of petrochemical and mechanical process performance improvement. It is evident that the same should occur with bioprocesses, a field in which very little studies and developments has been made. However, it is expected that the bioprocesses built upon methods that consider the problem analysis, codified into a mathematical tool appropriate for the use of computer aided process engineering tools, will transform numerical results into useful engineering solution to finally produce a better understanding of the bioprocess. Different types of models, suitable for computer-aided applications, have been studied for this purpose. The proposed methods are applied to the development and optimization of bioethanol production. The main part of the thesis consists of journal papers (Chapters 3 - 8). Chapter 3 focuses on the optimization techniques to estimate the kinetic model parameters of batch fermentation process for ethanol production using Saccharomyces cerevisiae. The potential of Quasi-Newton (QN) and Real-Coded Genetic Algorithm (RGA) to solve the estimation problem is considered to find out the optimal solution. Chapter 4 provides an adaptive hybrid model that
considers the effect of temperature on the kinetics of alcoholic fermentation, represented by neural networks. The potential of a RGA and a binary-coded genetic algorithm (BGA) to re-estimate the parameters of the neural network is evaluated. These algorithms were compared to the quasi-newton algorithm (QN) in terms of performance of the hybrid model. In the Chapter 5 a procedure for the development of a robust mathematical model for an industrial alcoholic fermentation process was evaluated. The proposed model is a hybrid neural model, which combines mass and energy balance equations with Functional Link Networks to describe the kinetics. These networks have been shown to have a good non linear approximation capability, although the estimation of its weights is linear. Chapter 6 proposes a new methodology to estimation of kinetic parameters. The first step is to obtain initial values for all parameters in the model and then a RGA is used to calculate the parameters in the model. The third step is to identify the most significant of the parameters using Plackett and Burman design (PB) and finally the most significant are optimized using a QN algorithm, which converges much more quickly than RGA to the optimal. In the Chapter 7 the modeling of biotechnological processes is studied with focus on developing methodologies that can be used always that a re-estimation of parameters is necessary. The performance of a hybrid neural model and a first-principles model, both considering the effect of temperature on the kinetics, are evaluated not only by their accuracy in describing experimental data, but mainly by the difficulties involved in the adaptation of their parameters. In the Chapter 8 the non-linear model of an extractive alcoholic fermentation process, represented by neural networks, is optimized using RGA and BGA to determine the optimal operational conditions. In order to check the validity of the computational modeling, the results were compared to the optimization of a deterministic model, whose parameters were experimentally determined as functions of the temperature. Furthermore, Appendix A provides additional information regarding the verification of the non-linear behavior of the variables of the extractive alcoholic fermentation process. With the purpose to compare the optimization performances of this process by genetic algorithms, Appendix B presents the results of optimization using successive quadratic programming Ver menos
considers the effect of temperature on the kinetics of alcoholic fermentation, represented by neural networks. The potential of a RGA and a binary-coded genetic algorithm (BGA) to re-estimate the parameters of the neural network is evaluated. These algorithms were compared to the quasi-newton algorithm (QN) in terms of performance of the hybrid model. In the Chapter 5 a procedure for the development of a robust mathematical model for an industrial alcoholic fermentation process was evaluated. The proposed model is a hybrid neural model, which combines mass and energy balance equations with Functional Link Networks to describe the kinetics. These networks have been shown to have a good non linear approximation capability, although the estimation of its weights is linear. Chapter 6 proposes a new methodology to estimation of kinetic parameters. The first step is to obtain initial values for all parameters in the model and then a RGA is used to calculate the parameters in the model. The third step is to identify the most significant of the parameters using Plackett and Burman design (PB) and finally the most significant are optimized using a QN algorithm, which converges much more quickly than RGA to the optimal. In the Chapter 7 the modeling of biotechnological processes is studied with focus on developing methodologies that can be used always that a re-estimation of parameters is necessary. The performance of a hybrid neural model and a first-principles model, both considering the effect of temperature on the kinetics, are evaluated not only by their accuracy in describing experimental data, but mainly by the difficulties involved in the adaptation of their parameters. In the Chapter 8 the non-linear model of an extractive alcoholic fermentation process, represented by neural networks, is optimized using RGA and BGA to determine the optimal operational conditions. In order to check the validity of the computational modeling, the results were compared to the optimization of a deterministic model, whose parameters were experimentally determined as functions of the temperature. Furthermore, Appendix A provides additional information regarding the verification of the non-linear behavior of the variables of the extractive alcoholic fermentation process. With the purpose to compare the optimization performances of this process by genetic algorithms, Appendix B presents the results of optimization using successive quadratic programming Ver menos
Maciel Filho, Rubens, 1958-
Orientador
Costa, Aline Carvalho da, 1970-
Coorientador
Kilikian, Beatriz Vahan
Avaliador
Maugeri Filho, Francisco, 1952-
Avaliador
Rossell, Carlos Eduardo Vaz, 1943-
Avaliador
Atala, Daniel Ibraim Pires
Avaliador
Otimização de bioprocessos : avaliação de desempenho das abordagens deterministicas e por algoritmos geneticos
Elmer Alberto Ccopa Rivera
Otimização de bioprocessos : avaliação de desempenho das abordagens deterministicas e por algoritmos geneticos
Elmer Alberto Ccopa Rivera
Exemplares
Nº de exemplares: 2
Não existem reservas para esta obra