Escolar Documentos
Profissional Documentos
Cultura Documentos
NACIONAL AGRARIA
DEENLA SELVA
FACULTAD DE INGENIERIA
INDUSTRIAS
ALIMENTRARIAS
ALUMNA :
Javier Zúñiga, Gabriela
CICLO : 2019 – 0
Diferentes metodologías para la sostenibilidad de la optimización. Técnicas
utilizadas en fermentación sumergida y en estado sólido.
Anup Ashok1 • Devarai Santhosh Kumar1
Resumen
Diseño de
Disenp
experimentos
kmvkffmvdiddie
Colonia de hormigas
Método de Taguchi Algoritmo genetico
Diseño anidado de
parcela dividida
2 diseño factorial
k
ANN es un sistema de computación paralelo que está hecho de una gran cantidad de
procesadores simples conectados entre sí. (Yingetal.2009; Funesetal.2015). IS fue
diseñada como una alternativa interesante para resolver problemas asociados con la
predicción, optimización, control, etc. Puede considerarse como un diseño de la red
biológica humana, más comúnmente el cerebro que tiene la capacidad de manejar
múltiples operaciones en un solo tramo (Funes et al. 2015; Pappu y Gummadi 2016).
Se espera que la ANN use los principios organizativos que se utilizan en el cerebro
humano. Lo mejor de ANN es que su uso en el modelado del sistema nervioso
biológico ayudaría a comprender las funciones biológicas, lo que será una gran ventaja
para este estudio.
La producción de enzimas que ayudan en la producción comercial adicional de
medicamentos farmacéuticos utilizados en el tratamiento de diferentes enfermedades
es un ejemplo donde la aplicación de estas técnicas de optimización es una
necesidad, ya que la pérdida de material no es un factor aceptable. La calidad de los
medicamentos producidos no debe verse afectada de ninguna manera. La L-
asparaginasa es considerada como una de esas enzimas importantes, es un
componente de la amidohidrolasa que generalmente descompone la asparagina en
ácido aspártico y amoníaco específicamente en el campo médico debido a sus
características antileucémicas en el tratamiento de la leucemia linfoblástica aguda
(ALL), y en La industria alimentaria para prevenir la formación de acrilamida a
temperaturas más altas en productos alimenticios fritos (Couto y Sanroma´n 2006; El-
Bakry et al. 2015). Debido a estas aplicaciones, la necesidad de más enzimas ha sido
un desafío en el escenario actual, ya que la capacidad de producción debe
incrementarse para satisfacer la creciente demanda. Se sabe que ciertas células
leucémicas dependen del suministro de la L-asparagina desde una fuente externa. La
naturaleza específica de la L-asparaginasa para controlar el crecimiento de las células
leucémicas de las células normales es lo que le ha dado énfasis sobre las otras
enzimas (Venil et al. 2009; Farag et al. 2015). La fuente más utilizada para la
producción de L-asparaginasa es la Escherichia coli y la Erwinia carotovora, pero ha
mostrado un gran número de efectos secundarios para la enzima preparada utilizando
estos microbios durante un período de tiempo y el enfoque clínico ha ido cambiando
para incorporar la producción de la enzima de otras fuentes microbianas de diferentes
ubicaciones de biodiversidad (Cammack et al. 1972; Rizzari et al. 2000; Kenari et al.
2011; Kim et al. 2015).
En este documento, las discusiones se relacionarán con la breve idea de varias
técnicas que se utilizarán en común y también una extensión de la posibilidad de
utilizar la red neuronal artificial (ANN) como alternativa a las técnicas actuales. Se
espera que esta discusión ayude a simplificar el proceso de selección de la técnica
adecuada para los procesos de fermentación y ayude a los investigadores a
comprender los parámetros necesarios que se requerirán para el proceso. Una breve
introducción a las diversas técnicas disponibles se da en la Tabla 1.
Tabla 1. Una breve descripción de las diferentes técnicas de optimización.
Bloques al azar It iEs la técnica común que se Esta técnica mejora la precisión. Enzima lipolítica Kumar and Knowles
utilizará para eliminar cualquier comparaciones eliminando cualquier y lignina. (1993); Carreiro
factor innecesario conocido como variabilidad que puede surgir et al. (2017)
el factor de molestia que surgirá
durante el procedimiento
experimental.
Método taguchi Este método utiliza el proceso de Se utilizan los resultados de estos experimentos Celulasa Athreya and
identificación de los parámetros de para analizar los datos y predecir la xylitol, Venkatesh
control adecuados que Calidad de los componentes producidos.etc. (2012); Biswas et
proporcionarán el resultado más al.
óptimo (2014); Sinha and
Singh (2016)
Diseño factorial Los experimentos generalmente se Las estimaciones que se realizan Lipasa, amilasa, Negi and Banerjee
realizan para estudiar múltiples utilizando esta técnica dan enzima (2006); Dange and
factores, por lo que la técnica más resultados que son válidos en una hidrolítica, Peshwe (2015)
comúnmente utilizada para este amplia gama de condiciones que tanasa, etc.
propósito será la técnica de diseño son aplicables en los
factorial y se ha encontrado que es experimentos.
la más eficiente para resolver
experimentos donde múltiples
factores influyen en el proceso.
Metodología de Es una colección de técnicas Es un procedimiento secuencial y el Lingo- Bruns et al. (2014);
superficie de matemáticas y estadísticas útiles objetivo principal es llevar al celulolíticos, Kunamneni et al.
respuesta. para el modelado y análisis de resultado final de manera rápida y biodiesel, (2015);
(RSM) problemas en los que una respuesta eficiente. El RSM determina la proteasas Kunamneni and
de interés está influenciada por condición operativa óptima final alcalinas, Singh (2016)
varias variables y el objetivo es del sistema o la región en la que se lactasa, etc.
optimizar esto. cumplen los parámetros operativos
establecidos
Diseño central compuesto Es la técnica utilizada para construir el Se calcula el número total de Etanol, fitasa, Mohana et al.
(CCD) modelo de segundo orden para la experimentos que se deben xilanasa, (2008); Karmakar
variable de respuesta como una ejecutar y se define la matriz quitinasa, etc.. and Ray
alternativa al tipo de representación requerida, luego, utilizando la (2011); Khaleel
factorial. metodología de regresión lineal, se et al. (2012)
registra el resultado final de la
experimentación.
Red neural artificial Desarrollado utilizando la neurona Un gran número de procesadores Amiloglucosidasa, Chang et al. (2006);
(ANN) biológica como material de simples con muchas proteasa, lipasa, Desai et al. (2008);
referencia para el desarrollo de interconexiones. Modelos ANN glucoamilasa Ying et al. (2009);
sistemas inteligentes que pueden intentan usar algunos Funes et al. (2015)
utilizarse como un avance a la Principios "organizativos" que se
escala de estudio actual. cree que se utilizan en el ser
humano
Técnicas estadísticas
Un factor a la vez (OFAT)
Es la técnica más común para el proceso de optimización, aunque es un
procedimiento que toma tiempo, es uno de los métodos más simples disponibles para
la aplicabilidad del proceso. Los parámetros físicos y químicos se pueden controlar
con mucha facilidad en SmF sobre SSF debido a su naturaleza líquida, por lo que la
técnica OFAT es más adecuada en el caso de procesos de SmF (Xu et al. 2003). Para
una mejor comprensión, un ejemplo del resultado de salida del proceso se muestra en
la Fig. 2a a continuación, donde se calculó el valor óptimo del rendimiento contra la
temperatura del proceso.
Fig 2. Rendimiento óptimo usando la técnica OFAT, b encontrando el menor valor usando el
método de Taguchi, c diseño factorial de tercer orden usando para parámetros (Kalantar y
Deopurkar 2007)
Método taguchi
Esta técnica funciona sobre la base del número de parámetros a estudiar, cuando solo
se consideran los parámetros físicos, esta técnica tiene la ventaja de que se utiliza en
los procesos SmF debido a la facilidad en la manipulación de los parámetros que se
pueden realizar en estos procesos. El método de Taguchi trabaja en la combinación de
múltiples parámetros para obtener el óptimo para mejorar la calidad del proceso
(Athreya y Venkatesh 2012; Mandal et al. 2015). Los parámetros óptimos obtenidos
con esta técnica tienen la especificidad de ser absolutos para cualquier cambio en el
efecto ambiental, ya que el diseño de parámetros es el paso más importante en la
metodología de Taguchi (Biswas et al. 2014). La Figura 2b muestra la efectividad del
método de Taguchi sobre el método tradicional de determinar la mejor salida para el
proceso.
Factorial diseños
La técnica más comúnmente preferida cuando un mayor número de parámetros está
involucrado en el proceso, ha sido eficiente en el diseño de técnicas donde la
importancia de los parámetros químicos predomina en la efectividad de los parámetros
físicos y, por lo tanto, se puede decir que puede ser menos preferido en el caso de
técnicas SmF (Dange y Peshwe 2015; Kalantar y Deopurkar 2007). En el caso de los
diseños de SSF, los parámetros deben gestionarse y estudiarse con mucho cuidado
que en el caso de SmF, y también habrá un factor particular que influye en el proceso
general y se conoce como el efecto principal, el estudio del La interacción de los
diferentes factores y un diseño cuantitativo del proceso que conduce a una
representación del modelo de regresión y que se puede resolver utilizando las
estimaciones de mínimos cuadrados son más adecuados para el proceso de SSF en
los estudios de SmF (Weng y Sun 2006; Montgomery 2013). La Figura 2c muestra el
diseño factorial de tres niveles que se ejecutó en cuatro parámetros diferentes para
establecer la efectividad del proceso que se está estudiando.
Metodología de superficie de respuesta (RSM)
Varias variables desempeñan un papel contribuyente en la determinación de la
solución óptima en el caso de esta técnica, tiene una mejor compatibilidad cuando se
utiliza con parámetros físicos que están involucrados en el proceso, por ejemplo,
presión, temperatura, etc. (Venil et al. 2009). Los diseños de superficie se modelan en
un modelo de primer orden o de segundo orden según el requisito de ese proceso, y
los datos experimentales se recopilan después de la validación adecuada de los
parámetros involucrados, lo que ayuda a estimar con mayor facilidad. Es un
procedimiento secuencial y ayuda a determinar el valor óptimo exacto o lo llevará a
una región donde el valor óptimo está presente, por lo tanto, esta técnica puede
considerarse adecuada para el proceso de FHF en los procesos SSF (Ghosh et al.
2013; El -Naggar et al. 2015). La Figura 3a a continuación muestra la gráfica de la
superficie de respuesta para la interacción de los dos componentes que se muestran
en un tercer parámetro típico, los resultados óptimos se establecen en función de los
requisitos del proceso.
Diseño central compuesto (CCD)
Se utiliza más comúnmente cuando se construyen modelos de superficie de respuesta
de superficie superior y de segundo orden y son más adecuados para diseños de
parámetros de orden superior cuando los parámetros físicos y químicos juegan un
papel importante en la determinación de la salida de cualquier proceso, ya que el
diseño funciona mucho mejor con los números de parámetros más altos y la influencia
de un número mayor de parámetros en el caso de SSF es mayor que en el caso de
SmF, el CCD se puede considerar como una extensión de las técnicas factoriales y
RSM, por lo que tiene un mejor dominio sobre los parámetros involucrados en los
procesos SSF (Karmakar y Ray 2011; de Melo et al. 2014). La Figura 3b proporciona
una representación simple de los diferentes sistemas que están disponibles para
establecer el óptimo utilizando la técnica CCD, donde los factores individuales se
representan a lo largo de los bordes del cubo y el resultado óptimo está en el centro
del cubo.
Fig. 3 a Diagrama de superficie utilizando la técnica RSM (El-Sersy et al., 2010), b Técnica
multifactor CCD (Fenech et al., 2012)
Optimización de enjambre
Las técnicas bioinspiradas son parte del proceso evolutivo que incluye varios procesos
como el enjambre de partículas, la colmena y las técnicas de optimización de colonias
que son una técnica de línea de ruta guiada que es útil para comprender los cambios
aleatorios que se están llevando a cabo en cualquier proceso Los pasos involucrados
en cada uno de estos procesos son complicados y un poco difíciles de manejar, pero
la precisión con la que se dispensan los resultados de cada una de las técnicas supera
cualquiera de los largos procesos que están asociados con el funcionamiento de las
técnicas (Biswas et al. 2007; Dhanarajan et al. 2014). La Figura 5b muestra ejemplos
de los resultados que se obtuvieron al ejecutar un PSO en múltiples factores; aunque
hay un gran número de resultados, el mejor resultado se marca en la parte inferior, que
representa el menor valor posible para el conjunto de experimentación que se ejecutó.
La Figura 5c muestra la metodología que se ejecutará utilizando la técnica de
optimización ACO donde se establecerá una ruta particular después de varias
experimentaciones y esa ruta se utilizará como la óptima para todas las ejecuciones
adicionales. Se espera que estas técnicas tengan una mejor comprensión de los
procesos asociados con la SSF; aunque su aplicabilidad en los procesos de SmF no
puede ser invisible, la cantidad de tiempo que toma en comparación con otras técnicas
que se utilizan para estudiar el proceso de SmF permite que estas técnicas sean
limitadas para el estudio del proceso de SSF (Roy et al. 2006; Doriya et al. al. 2016).
SmF se ha ampliado a nivel industrial y las dificultades que se encuentran con la
ampliación del proceso de SSF hacen que sea importante tener un cálculo muy
preciso cuando se trata de los procesos que involucran los estudios de SSF (Mitchell
et al. 2000).
La parte más importante de cualquiera de estos procesos es el crecimiento de los
microorganismos que participan en estos procesos. Cada tipo de microorganismo tiene
sus propias necesidades para su crecimiento, por ejemplo, temperatura, pH, contenido
de humedad, agitación, etc. Cada uno de estos factores tendrá un efecto específico
sobre el crecimiento del microorganismo, como las bacterias solo pueden crecer con
un alto contenido de humedad. medio ambiente, mientras que los hongos crecen en un
ambiente de bajo contenido de humedad, lo que hace que este microorganismo sea
específico para las bacterias del corazón y las heces, respectivamente, donde estas
condiciones están disponibles (Chen et al. 2011; Abbas Ahmed 2015). El algoritmo
genético (GA) explica mejor el crecimiento del microorganismo, ya que involucra
factores como el cruce o la recombinación y la mutación, el paso primario involucrado
selecciona una raza de una generación particular que se selecciona en función de la
efectividad con la que podrían mostrar resultados; y el crossover es una técnica que es
extremadamente útil cuando se trata de microorganismos recombinantes; y la
mutación también ayuda a determinar si hay algún cambio que esté ocurriendo en el
crecimiento del microorganismo. Las bacterias, la levadura y los mohos requieren
mucha humedad, mientras que los hongos crecen en ambientes de baja humedad
(Singh y Srivastava 2013; Sinha y Singh 2016). Las técnicas avanzadas siempre
tienen la utilidad de comprender el crecimiento de microorganismos en comparación
con los métodos de optimización OFAT y Taguchi más simples.
Estudios de escalado utilizando técnicas de optimización.
La ampliación de cualquier proceso es la tarea más importante que debe estudiarse
con sumo cuidado, la efectividad de un proceso es la capacidad de replicar los
resultados que se obtienen en los estudios a pequeña escala o en laboratorio para la
producción en masa de Las enzimas. La producción a gran escala no puede ser un
método de prueba y error de producción, solo se inicia una vez que el proceso se
identifica con claridad utilizando técnicas estadísticas antes de ponerlo en producción
activa (Schutyser et al. 2004; Varalakshmi y Raju 2013). Cada técnica tiene su propia
ventaja en la producción de la enzima; La opción siempre será utilizar la mejor técnica
adecuada que proporcionará mejor productividad, menor costo y tiempo (Ashok et al.
2017). La preparación de enzimas de bajo costo se puede realizar utilizando técnicas
más simples como los bloques aleatorios y los métodos de Taguchi, pero a medida
que aumenta la complicación en la producción, como el aumento en la cantidad de
factores que afectan el proceso, en tales casos, es más prudente utilizar Técnicas
avanzadas como ANN o técnicas de optimización inspiradas en la naturaleza (Athreya
y Venkatesh 2012; Ali et al. 2016); Estos ayudan a comprender mejor el proceso y
aumentar la efectividad de la producción. Por ejemplo, en la producción de L-
asparaginasa a partir de fuentes bacterianas o fúngicas que usan SmF, el efecto de los
factores es fácilmente manejable, y se pueden usar técnicas más simples como
Taguchi o diseño factorial para entender el proceso, pero cuando se usa SSF, el
número De los factores que deben controlarse y la eficiencia de control también
aumenta exponencialmente al utilizar microorganismos recombinantes, el número de
factores a manejar aumenta y, por lo tanto, se requerirá una mayor eficiencia para
analizar el proceso. En SSF, como el control de los factores se considera mucho más
difícil que en el caso de SmF, por lo que se prefieren técnicas como GA, ANN y ACO,
mientras se manejan este tipo de procesos (Kumar et al. 2010; Pallem et al. . 2010).
La Figura 6 resume las diferentes técnicas que se pueden usar de manera efectiva al
tratar con las técnicas SmF y SSF cuando se está estudiando la ampliación del
proceso.
Bloques
aleatorizados
Manejo más fácil
Taguchi
SmF
Diseño factorial
Menos factores
RSM & CCD
Estudios de escalado
ANN
Manejo difícil
Diseño factorial
SSF
PSO, ACO
Más factores
GA, ANN
Conclusión
Se considera que las técnicas estadísticas son las más adecuadas cuando se trata de
parámetros de proceso más simples y se amplían en el caso de la fermentación
sumergida, donde los parámetros son más fáciles de controlar, aunque ciertos tipos de
proceso requieren técnicas avanzadas pero esto puede considerarse mínimo, mientras
que en el caso de la fermentación en estado sólido, donde el manejo de los
parámetros es muy difícil y se requieren múltiples esfuerzos para obtener la mejor
solución, se sugiere el uso de técnicas avanzadas. Los estudios de escala de matraz
se pueden hacer usando métodos estadísticos, pero al escalar el proceso a un nivel de
laboratorio o industrial, es mejor cambiar el enfoque a técnicas de optimización
avanzadas. La revisión actual tiene la capacidad de ayudar a comprender qué técnicas
se requieren cuando se trabaja con técnicas de fermentación en estado sólido y
sumergidas a escala de laboratorio, y también se espera que reduzca el tiempo de
cualquier proceso, ya que ayudaría a centrarse en las variables críticas, disminuyendo
así La economía involucrada en la gestión del proceso en su conjunto.