Return to search

Inferência de variáveis do processo de produção de penicilina G acilase por Bacillus megaterium ATCC-14945.

Made available in DSpace on 2016-06-02T19:55:28Z (GMT). No. of bitstreams: 1
DoutRGS.pdf: 2966707 bytes, checksum: 76003e0d6d999794b955bb26e523ff71 (MD5)
Previous issue date: 2003-07-27 / Universidade Federal de Minas Gerais / The enzyme penicillin G acylase (E.C.3.5.1.11) is used in the production of 6-aminopenicillanic acid (6-APA) and 7-aminocephalosporinic acid (7-ACA), which are key intermediates for the production of β-lactam antibiotics. Its industrial importance was one of the motivations for this thesis. On-line measurement and monitoring of cultivations of Bacillus megaterium ATCC 14945 in a agitated and aerated bioreactor allowed the acquisition of variables such as mol fraction of CO2 and O2 in the exhaust
gases, pH, dissolved oxygen. Batch and fed-batch runs, using either enzymatically hydrolyzed casein or a pool of free amino acids provided information concerning the extend of the cultivation, preservation of the microorganism and addition/exclusion of nutrients. Usual carbon
sources as glucose, fructose and glycerol increased the cellular mass, but did not improve the productivity of PGA. The use of amino acids resulted in a 2.5-fold increase of productivity. Adding phenyl acetic acid at the beginning of the experiments did not inhibit cell growth.
Three non-structured models of microbial growth were put forth, assuming one, two and three limiting substrates. However, these models were too simple for our purposes. Another approach was then followed, using neural networks (NN) as
softsensors. Before implementing the inference algorithm, the blank noise of the instrumentation had to be reduced. A non-conventional filter was developed, combining
a recursive NN, a moving average and a second recursive NN. The smoothed variables were the input for a second NN, for pattern recognition, which classified the run in one of the main growth phases: lag, exponential and stationary. The main purpose of this NN was to identify the exponential phase, which would be the domain of the next NN, a multilayer perceptron (MLP) for inference of the cellular mass. Several NN, with
different topologies, were tested for this purpose. Finally, the product concentration (PGA activity in the medium) was estimated through a hybrid approach, using the growth rate inferred by the MLP NN, coupled to the cell-product yield, obtained from the fitting of the non-structured models. Another important information for this last algorithm was the knowledge that production of PGA was growth-associated, but with a 2hr-delay. The algorithm for inference was robust and accurate. / A grande importância da enzima penicilina G acilase (E.C.3.5.1.11), usada para a produção dos ácidos 6-aminopenicilânico (6-APA) e 7-aminocefalosporânico (7-ACA), compostos-chave na produção industrial de antibióticos β-lactâmicos, foi a principal motivação deste trabalho. Através de realização de experimentos de produção
de PGA por Bacillus megaterium ATCC 14945 em reator convencional, utilizando sistema de aquisição de dados, foi possível monitorar em tempo real variáveis como, por exemplo, fração molar de oxigênio e dióxido de carbono nos gases de saída, pH, oxigênio dissolvido. Foram realizados cultivos em batelada e batelada alimentada tendo como
substratos limitantes tanto caseína hidrolisada enzimaticamente como aminoácidos livres. Obtiveram-se informações relacionadas ao tempo de cultivo, à estocagem do microrganismo e à adição e exclusão de nutrientes. Fontes usuais de carbono, como glicose, lactose e glicerol, quando utilizadas, promoviam o crescimento da massa celular sem, no entanto, aumentar a produção de PGA. O uso de aminoácidos como principal
substrato elevou em 2,5 vezes a produtividade. Observou-se, ainda, que a adição de ácido fenilacético (AFA) desde o início do cultivo não inibiu o crescimento do microrganismo.
As informações experimentais permitiram a proposição e validação de três modelos cinéticos não-estruturados deste processo, com um ou mais substrato(s) limitante(s). Como essas propostas se mostraram demasiadamente simplificadas, optouse
pelo uso de redes neurais como sensores baseados em software , já que não se chegou a um modelo fenomenológico satisfatório. Para implementação do algoritmo de inferência baseado em rede neural,
mostrou-se necessário filtrar os ruídos das medidas provenientes do sistema de aquisição de forma a minimizar erros aleatórios da instrumentação. Propõe-se para isso filtro que utiliza redes recorrentes, combinadas a média móvel. As variáveis filtradas foram utilizadas numa segunda rede de identificação de padrões, que dividia o cultivo nas três principais fases do crescimento microbiano. O principal objetivo desta foi
identificar a fase de crescimento exponencial, que seria a enfocada pelo algoritmo de inferência. Para essa inferência, com base nas variáveis medidas em tempo real, treinaram-se redes com várias topologias e entradas, de modo a escolher as variáveis que possibilitassem o aprendizado dos aspectos essenciais da dinâmica do processo.
Por fim, a concentração de produto (atividade de PGA no meio de cultura) foi estimada através de enfoque híbrido, usando a velocidade de crescimento inferida por rede feedforward , acoplada ao fator de rendimento célula-produto estimado no ajuste dos modelos não-estruturados. Outra informação importante utilizada neste último
algoritmo foi o fato da produção ser associada ao crescimento, mas com atraso de 2h. Novamente, os resultados quantitativos do algoritmo de inferência do produto foram muito satisfatórios.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/3893
Date27 July 2003
CreatorsSilva, Rosineide Gomes da
ContributorsGiordano, Raquel de Lima Camargo
PublisherUniversidade Federal de São Carlos, Programa de Pós-graduação em Engenharia Química, UFSCar, BR
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Formatapplication/pdf
Sourcereponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.002 seconds