Ml RdíR odríguezsgpwe.izt.uam.mx/.../Seminario_Univ_de_Guanajuato.pdf · 2013-10-14 · Marco...

Producción de biocombustibles y bioproductosde alto valor agregado a través del uso sistemático de modelos matemáticos

Ri d M l R d íRicardo Morales RodríguezDepartamento de Ingeniería de Procesos e Hidráulica, Universidad Autónoma Metropolitana‐

Iztapalapa, Av. San Rafael Atlixco 186, C.P. 09340, México, D.F., México

Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato

Contenido

• Introducción

• Objetivo

• Marco conceptual para el modelado de biocombustibles y bioproductos

• Evaluación de diferentes configuraciones para la producción de bioetanolEvaluación de diferentes configuraciones para la producción de bioetanolde segunda generación

• Marco conceptual para la optimización de bioprocesos bajoincertidumbre: Producción de bioetanolincertidumbre: Producción de bioetanol

• Producción de bioetanol y xilitol bajo un esquema de una biorefinería

• ¿Qué más se ha hecho?

C l ió• Conclusión

• Bibliografía

Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 2

Introducción

Los biocombustibles y los bioproductos de alto valor agregado han ganadoespecial atención por la comunidad científica e industrial.

Los problemas de cambios climático se han convertido en uno de los principalesretos en la actualidad –> encontrar nuevas alternativas verdes y renovables

l d ió d ípara la producción de energía.

Las proyecciones predicen una gran disminución en las reservas de crudo para elaño 2075 Además de la concentración focalizada de reservas y lasaño 2075. Además de la concentración focalizada de reservas y lasfluctuaciones de los precios en el mercado internacional


Demirbas (2009).

Introducción

• Legislación internacional

– Protocolo de Kioto

– Comisión Europea

– EPAEPA

• Ley General de Cambio Climático:

82 “d ll d í bl bi é i d– Art 82.III: “desarrollo de energías renovables y bioenergéticos desegunda generación”

Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 4Prospectiva de Energías Renovables 2013‐2026 (2012).

Introducción

• ¿Tenemos la capacidad para producir¿Tenemos la capacidad para producirbiocombustibles de segunda generación?

• 2012– 44,125,570 Ton de caña de azúcar, ,

– 5,145,331 Ton Producción de Azúcar

– 38,980,239 Ton de residuos para producción de bioetanolde segunda generación –> Producción de E10 del 50% degasolina premium que se produce actualmente.

Estimado Zafra 2012 (2012).


Introducción

•Biocombustibles:

Proceso de producción:

bioetanol,biohidrógeno,biobutanol,

Proceso de producción:

• Ruta biológica:•Enzimas

Materia prima: biomasa residual

biometanol,biodiesel, etc.

•Productos de alto•Microorganismos• Ruta química

•Productos de altovalor agregado:Alcoholes (xilitol,sorbitol, etc.),furfurales, ácidopoliláctico,aldehídos, etc.) .


Introducción

• El diseño y extensión de losprocesos de producción –>p pexperimentación la cual puedeser costosa en términoseconómicos y de tiempo.

• Una de las alternativas es el usod d l t áti d

Modelado/de modelos matemáticos de unamanera sistemática para laevaluación de la viabilidadtécnica y la factibilidad

simulación

yeconómica de los procesos deproducción Experimentación


Objetivo

Mostrar los avances y resultados en los casos de estudio de producción de bioetanol y xilitol de segunda generación, obtenidos a través del uso

i t áti d d l t átisistemático de modelos matemáticos.


Marco conceptual para el modelado de biocombustibles y bioproductos

Fase 1 Identificación de modelos matemáticosdinámicos para representar lassecciones de proceso.

Colección/ Análisis (e.g.datos, modelos)



Identificación(e.g. Cinética de procesos

enzimáticos)


enzimáticos)


enzimáticos)

Validación

(Escala pilóto)

Validación

(Escala pilóto)

Validación

(Escala pilóto)

Innovación, diseño y simulación

(Integración de los modelos)




(Integración de los modelos)( g )( g )( g )Fase 2

Formular la estructura del modelo de la planta, vinculando losmodelos matemáticos de cada una de las operacionesunitarias y simular las diferentes configuraciones de proceso

Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato9

propuestas.

Evaluación de Diferentes Configuraciones para la Producción de Bioetanol de

Segunda Generacióng

PretreatEnzyma

tic

Ethanol

DistillatiCo‐

Cellulases

Yeast

Pretreatment

tic hydroly

sis

Distillation

Fermentation

Lignin

Morales‐Rodriguez, R., Meyer, A.S., Gernaey, K.V. and Sin, G. (2011). “Dynamic Model‐Based Evaluation of Process Configurations for Integrated Operation of Hydrolysis and Co‐Fermentation for Bioethanol Production from


g g p y yLignocellulose”. Bioresource Technology (ISSN: 0960‐8524), 102, 1174‐1184.

Fase 1: Colección, Análisis e Identificación

Celulasas Microorganismos

PretratamientoHidrólisis Enzimática

PurificaciónCo‐FermentaciónSecarificación y co‐fermentación simultanea (SSCF)

+ Morales‐Rodriguez et al (2011)

EtanolLignina

+ Lavarack, et al. (2001). + Kadam, et al. (2004). + Krishnan, M. et al. (1999)

+ Morales‐Rodriguez et al. (2011).

l ió / láli il ió / láli il ió / láli iColección/ Analálisis (e.g. datos, modelos)Colección/ Analálisis (e.g. datos, modelos)Colección/ Analálisis (e.g. datos, modelos)


en imáticos)


en imáticos)


en imáticos)


enzimáticos) enzimáticos) enzimáticos)

Selección del caso base:

FB‐FB

12 24 36 48 60 72 84 96 108 120 132 144 156 168Reactor 1Reactor 2Reactor 3R t 4Reactor 4Reactor 5Reactor 1

Hydrolysis FermentationLoading Horizontal stripes Vertical stripesReaction Dots Diagonal stripes


Reaction Dots Diagonal stripesDrawing Vertical stripes Horizontal crosshatch

Dynamic Lignocelulosic bioethanol framework (DLB 1.0)E i d O ió A ó i Et l/DMEscenarios de Operación Acrónimo

SHCF

1) H: Semi‐continuo – CF: Semi‐continuo FB‐FB2) H: Semi‐continuo – CF: Continuo FB‐C3) H: Semi‐continuo – CF: Continuo‐recirculación FB‐C_RECY4) H: Continuo – CF: Semi‐continuo C‐FB5) H: Continuo – CF: Continuo C‐C

Etanol/DM0.100.100.130.090.11

C_RECY‐C

)6 H: Continuo – CF: Continuo‐recirculación C‐C_RECY7) H: Continuo‐recirculación – CF: Semi‐continuo C_RECY‐FB8) H: Continuo‐recirculación – CF: Continuo C_RECY‐C9) H: Continuo‐recirculación – CF: Continuo‐recirculación C_RECY‐C_RECY10) Semi‐continuo SSCF‐FB

0.110.100.140.160.13

SSCF 11) Continuo SSCF‐C12) Semi‐continuo SSCF‐C_RECYH: Hidrólisis enzimática, CF: Co‐Fermentación

0.120.18

Total Etanol producido

C_RECY‐C_RECY

/ secTotal Etanol producido

Total Biomasa seca alimentadaEt biomasa aR

SSCF‐C_RECY

Innovación diseño y simulaciónInnovación diseño y simulaciónInnovación diseño y simulación








Resultados Obtenidos

• 12 configuraciones de proceso para la producción de12 configuraciones de proceso para la producción deetanol a partir de materiales lignocelulósicos fueronpropuestos, modelados y analizados.– Las corrientes de reciclado de reactivos no convertidomostró un efecto positivo en el rendimiento de etanol.

L j fi ió d f SSCF– La mejor configuración de proceso fue SSCF conrecirculación operando en continuo.

– El rendimiento máximo de etanol obtenido fue de 0.18 kg‐e d e to á o de eta o obte do ue de 0 8 getanol/kg‐materia seca. Esto significa una mejora de laconfiguración propuesto por NREL.


Extensión del DLB 1.0Enzymatic Hydrolysis Solid-Liquid

SeparatorMixer

Co-Fermentation

TEH TEH TEH TEH

Heat Heat

Heat Exchanger

TCFTCF

Molecular Sieve

Enzymatic Hydrolysis Solid-Liquid

SeparatorMixer

Co-Fermentation

SettlerMixerTEH TEH TEH TEH TCF

Heat Exchanger

TCFTCFTCF

Molecular Sieve

Pretreatment

Downstream Processes

Tin = 25°C TPT TPT TEH

TEH

TEHTEH

TEH

TEH

TEH

Exchanger ExchangerTEH

TEH

TBubble PointTCF

TCF

TCF

TCF

TCF

Pretreatment



TEH

TEHTEH

TEH

TEH

TEH

Heat Exchanger

Heat Exchanger

TEH TCF

TEH TCF

TBubble pointTCF

TCF

TCF

TCF

TCF

TCF

TCF

Processes

SSCF Solid- LiquidSeparator

Mixer

Heat Heat

TSSCF TSSCF

Molecular Sieve

Pretreatment


Tin = 25°C TPT

ExchangerTPT TSSCF

ExchangerTSSCF T Bubble PointTSSCF

TSSCF TSSCF

TSSCF

2.5

0.5

1

1.5

2

2.5

USD

/gal‐Ethan

ol

Extensión del DLB 1.0:

‐Intercambiadores de calor‐Columnas de destilación


0

U

Extensión del DLB 1.0

• La extensión del DLB 1.0 comprendió la adición de los procesos depurificación de bioetanol y equipos de intercambio de calor.

• La mejor configuración de proceso fue la SSCF‐C con un costo dej g pproducción de 1.71 USD/gal‐etanol.

• La extensión de la plataforma de modelado (DLB 1 0) permitirá tener unaLa extensión de la plataforma de modelado (DLB 1.0) permitirá tener unaidea clara acerca de la factibilidad de alguna configuración de proceso enparticular.


Marco conceptual para la optimización deMarco conceptual para la optimización de bioprocesos bajo incertidumbre:

Producción de bioetanolProducción de bioetanol

1

2

3

USD

/gal

EtO

H

R2 = 0.85 original model outputslinear model outputs

0.60.70.80.9

1

obab

ility

0 50 100 150 200 250-3

-2

-1

0

Monte Carlo Simulation index

Man

ufac

turin

g C

ost

60

70

1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

0.10.20.30.40.5

Manufacturing Cost, USD/gal-Ethanol

Cum

ulat

ive

Pro

Morales‐Rodriguez, R., Meyer, A.S., Gernaey, K.V. & Sin, G. (2012a). “A Framework for Model‐Based Optimization of Bioprocesses under

1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

10

20

30

40

50

Manufacturing Cost, USD/gal EtOH

Num

ber o

f Ocu

rren

ces


Uncertainty: Lignocellulosic Ethanol Production Case”. Computers and Chemical Engineering (ISSN: 0098‐1354), 42, 115‐129.

Objetivo del estudio:

Desarrollo de una metodología sistemática para resolver problemas de optimización en bioprocesos sujetos aproblemas de optimización en bioprocesos sujetos a

diversas fuentes de incertidumbre. Caso de estudio: producción de bioetanol de segunda

ógeneración


Configuraciones de proceso analizadasC RECY‐C RECYE i d O ió A ó i Et l/DM

Enzymatic Hydrolysis

Solid-LiquidSeparator

Mixer

Fermentation

SettlerMixer

C_RECY C_RECYEscenarios de Operación Acrónimo

SHCF

1) H: Semi‐continuo – CF: Semi‐continuo FB‐FB2) H: Semi‐continuo – CF: Continuo FB‐C3) H: Semi‐continuo – CF: Continuo‐recirculación FB‐C_RECY4) H: Continuo – CF: Semi‐continuo C‐FB5) H: Continuo – CF: Continuo C‐C

Etanol/DM0.100.100.130.090.11

Pretreatment

Downstream

)6 H: Continuo – CF: Continuo‐recirculación C‐C_RECY7) H: Continuo‐recirculación – CF: Semi‐continuo C_RECY‐FB8) H: Continuo‐recirculación – CF: Continuo C_RECY‐C9) H: Continuo‐recirculación – CF: Continuo‐recirculación C_RECY‐C_RECY10) Semi‐continuo SSCF‐FB

0.110.100.140.160.13

SSCF‐C_RECY

Downstream ProcessesSSCF 11) Continuo SSCF‐C

12) Semi‐continuo SSCF‐C_RECYH: Hidrólisis enzimática, CF: Co‐Fermentación

0.120.18


Marco conceptual para la optimización estocástica de bioprocesosComentariosResultados

1. Objetivos y Necesidades

2. Modelado y configuraciones deConfiguraciones de proceso para la producciónde bioetanol de segunda generación

Identificar los límites operacionales con el fin de disminuir costos de operación

Definición de la función objetivo a evaluar

Modelos matemáticos de las fi i d

3. Mapeo e identificación de fuentes significativas de incertidumbres

2. Modelado y configuraciones de proceso

de bioetanol de segunda generaciónpreviamente desarrollados

Análisis de incertidumbre (Simulación de Monte‐Carlo) Análisis de sensibilidad (descomposición

configuraciones de procesos

Lista de fuentes significativas de incertidumbres significativas de incertidumbres

4. Optimización bajo incertidumbre

Carlo), Análisis de sensibilidad (descomposiciónde la varianza, SRC, …)

Simulación de Monte‐Carlo

incertidumbres

Variables de operaciónoptimas/incertidumbresconsideradas

5. Validación de las condiciones de operación óptimas

Revisión experimental de las configuracionesoptimas de proceso

Verificación experimental a escalapiloto, demostración, etc. de lascondiciones óptimas encontradas

I l ió !

No¿Objetivos alcanzados? Este estudio se enfocó en la Identificación

de fuentes de incertidumbre y optimización bajo un esquema deSi


Implementación! optimización bajo un esquema de incertidumbre!

3. Mapeo e identificación de fuentes significativas de incertidumbre0.6

0.8

2 4 6 8 100

0.2

0.4

1 2 n

I. Introducción de la incertidumbre

II. Muestreo aleatorio

3. Mapeo e identificación de fuentes significativas de incertidumbre

Modelof(n)

y1 y2 yn

III. Simulación de Monte Carlo3.1 Análisis de incertidumbre (Procedimiento de Monte‐Carlo)

y2 yn

Confiabilidad = 90.% 10.8 ± 0.08

IV. Análisis de incertidumbre

SSCF‐C. Incertidumbre en el costo de producción70

0.50.60.70.80.9

1

e Pr

obab

ility

Varianza: medición de la incertidumbreMean

90%

30

40

50

60

er o

f Ocu

rren

ces

1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

0.10.20.30.4

Manufacturing Cost USD/gal-Ethanol

Cum

ulat

ive incertidumbre

2 =0.017(= 0.13)

10%1.3 1.4 1.5 1.6 1.7 1.8 1.9 2

0

10

20

Manufacturing Cost, USD/gal EtOH

Num

b


Manufacturing Cost, USD/gal-Ethanol

21

Función de distribución acumuladaHistograma

3.2 Análisis de sensibilidad(SRC)

3. Mapeo e identificación de fuentes significativas de incertidumbre

reg i iy a b i

i ib

Ajuste de los resultados de las simulaciones de montecarlo a un modelo lineal

Standardized Regression Coefficient (SRC)

3.2 Análisis de sensibilidad(SRC)

reg i iiy

y

Modelo linealizado para el costo de producción..

3

Parametros identificados para la configuración SSCF‐C basado en el costo de producción

1

2

3

USD

/gal

EtO

H R2 = 0.85 original model outputslinear model outputs Rank SRC Section

1 /GEt GY 0.99 SSCF

2 1 G

CFX IGK -0.99 SSCF

2

-1

0

fact

urin

g C

ost U 3

2 Xy

CFX IXyK -0.94 SSCF

4 /XyEt XyY -0.90 SSCF

5 3EHIXyK 0.60 SSCF

6 PTEa 0 47 PTDe los 80 parámetros, sólo 19 de ellos son realmente

significativos..!!.

0 50 100 150 200 250-3

-2

Monte Carlo Simulation index

Man

u

61,GEa 0.47 PT

7 GnC -0.44 FS

8 2EHIXyK 0.30 SSCF

9 3EHIGK -0.26 SSCF

10 C 0 21 SSCF

Principalmente relacionados con la parámetros cinéticos de la sección de sacarificación y co‐fermentación simultanea así como

el pretratamiento y la composición de la biomasa seca


10 5'CF

IGK 0.21 SSCF

4. Optimización bajo un escenario de incertidumbre (PNL Estocástica)

Rango de las variables de operación

Formulación del problema de optimización bajo

4. Optimización bajo incertidumbre CAcid TPT TSSCF EL1 EL2 Cyeast %H2O%(wt/v) °C °C mg-Enz/g-cellulose g/L -

UB 0.55 140 17.5 20 20 4.7 0.4LB 1.65 175 35 60 60 14.2 0.6

min T

xZ x c x E f x,θ

p p jincertidumbre (PNLE)

.

.Muestreo aleatorio de las condiciones de operación tentativamente optimas

Algoritmo para la solución del problema deOptimización utilizando la metodología deMonte‐Carlo

.0

l

LB UB

st

h x,θ

g x,θ b

θ θ θ

Muestreo aleatorio de parámetros identificados en el análisis de incertidumbre y sensiblilidad

For i=1:Numero de muestras aleatoria de condiciones de operación

For j=1:Número de muestras aleatorias de parámetros identificados

Obj1(j) = función objetivo(thetaj)θ θ θ

min , , , FS UT ADDZ x c Materia-prima +c Servicios x +c Aditivos x -

Obj es minimizar el costo de producción

Obj1(j) función objetivo(thetaj) s.t. F(thetaj) & desigualdades e igualdades

End

Obj2 (i)= promedio(Obj1); End

,

FS UT ADDx

ETOH

p

USDc Etanol xgal Etanol

cETOH = costo por kg of etanol, cFS = costo de materia prima consumidac costo de servicios consumidos

.

.

Numero muestras aleatorias de las condiciones de operación = 100Número muestras aleatorias de parámetros identificados = 150Si l i d C l 100 1 0 1 000


cUT = costo de servicios consumidoscADD = costo de aditivos consumidos

Simulaciones de Monte‐Carlo= 100x150 = 15,000

Los Resultados de la optimización para los diferentes escenarios de operación están ordenados de acuerdo a

4. Optimización bajo un escenario de incertidumbre (PNL Estocástica)

costo de producción, USD/gal Diferencia con respecto al caso baseEscenario 5% CI di 95% CI varianza % Dif % Dif % Dif

Los Resultados de la optimización para los diferentes escenarios de operación están ordenados de acuerdo a la media y el intervalo de confianza (95%, el cual indica la incertidumbre) de la función objetivo

EscenarioID 5% CI media 95% CI varianza

2% Dif

(5% CI)% Dif

(media)% Dif

(95% CI)Caso base 1.36 1.56 1.82 0.017 - - -67 1.27 1.48 1.66 0.012 6.33 5.30 8.6745 1.31 1.47 1.69 0.013 3.45 6.23 6.8745 1.31 1.47 1.69 0.013 3.45 6.23 6.8740 1.28 1.48 1.70 0.015 6.06 5.15 6.2587 1.38 1.57 1.75 0.012 -1.42 -0.39 3.5570 1.42 1.58 1.79 0.015 -4.09 -1.28 1.4180 1.39 1.56 1.79 0.016 -2.10 0.47 1.3980 .39 .56 .79 0.0 6 . 0 0. 7 .397 1.36 1.57 1.81 0.020 -0.31 -0.10 0.23

CÁcido TPT TSSCF EL1 EL2 Clevadura %H2O Costo de producción

Escenario optimo de operación

CÁcido PT SSCF 1 2 Clevadura %H2O Costo de p oducc ó%(wt/v) °C °C mg-Enz/g-celulosa g/L - USD/gal-EtOH

Caso base 1.1 170 35 40 40 9.5 0.5 1.56Óptimo 0.78 142 33 31 34 13.6 0.46 1.48UB 0.55 140 17.5 20 20 4.7 0.4 -LB 1 65 175 35 60 60 14 2 0 6


LB 1.65 175 35 60 60 14.2 0.6 -

Resultados de la optimización bajo incertidumbre

Configuraciones 5% CI media 95% CI% Dif.(5% CI)

% Dif.(media)

% Dif.(95% CI)

SSCF C RECY 1 13 1 29 1 43 17 83% 23 62% 26 63%SSCF C‐RECY 1.13 1.29 1.43 17.83% 23.62% 26.63%SHCF doble recirculación 1.36 1.54 1.71 13.06% 21.32% 24.62%SHCF una recirculación 1.62 1.74 1.87 7.90% 20.79% 28.35%

CAcid TPT TSSCF/ *TEH EL1 EL2 Cyeast %H2O

%(wt/v) °C °C mg-Enz/g-cellulose g/L - Base case 1.1 170 35 40 40 9.5 0.5SSCF-C_RECY 1.43 164 21 27.8 20.2 7.9 0.41 SHCF with double recycle 0 97 159 54 24 7 33 8 13 9 0 47

Mejora en el proceso..!!

Configuración Aditivos % de reducción con respecto al caso base

SHCF with double recycle 0.97 159 54 24.7 33.8 13.9 0.47SHCF with single recycle 0.67 143 51 34.9 43.5 7.1 0.41

Configuración Aditivos % de reducción con respecto al caso base

SSCF‐C Acido utilizado ‐29

SSCF‐C_RECY Enzima utilizada ‐39

SHCF doble recirculación Enzima utilizada 26


SHCF doble recirculación Enzima utilizada ‐26

Resultados obtenidos

• Propuesta de un marco conceptual para el análisis de lasd b d d ó dincertidumbres en procesos de producción de

biocombustibles y bioproductos.

• Determinación de las incertidumbres en las distintas etapasde los procesos de producción de bioetanol de 2G.

• Optimización de las condiciones de operación bajo unesquema de incertidumbre.

• Los análisis de incertidumbre pueden ayudar a identificar losparámetros de mayor importancia de un modelo matemáticoque describen un fenómeno o proceso.


Otros casos de estudio

Chien‐Tai Tsai, Ricardo Morales‐Rodriguez, Gürkan Sin, Anne S Meyer (2013). A Dynamic Model for Cellulosic BiomassHydrolysis: A Comprehensive Analysis and Validation of Hydrolysis and Product Inhibition Mechanisms. Appl MicrobiolBiotechnol. Enviado


d ó d b l l l bProducción de bioetanol y xilitol bajo un esquema de una biorefinería

Ricardo Morales-Rodriguez, Divanery Rodriguez-Gomez, José Antonio de los Reyes-Heredia, Eduardo Salvador Perez-Cisneros . DynamicModel-Based Evaluation of Process Configurations: Integrated Operation for Bioethanol and Xylitol Production from Lignocellulose. En procesode envío. Bioresource Technology.


Extensión del DLB 1.0Enzymatic Hydrolysis Solid-Liquid

SeparatorMixer

Co-Fermentation

TEH TEH TEH TEH

Heat Heat

Heat Exchanger

TCFTCF

Molecular Sieve

Enzymatic Hydrolysis Solid-Liquid

SeparatorMixer

Co-Fermentation

SettlerMixerTEH TEH TEH TEH TCF

Heat Exchanger

Heat Exchanger

Heat Exchanger

TCFTCFTCF

Molecular Sieve

Pretreatment



TEH

TEHTEH

TEH

TEH

TEH

Exchanger ExchangerTEH

TEH

TBubble PointTCF

TCF

TCF

TCF

TCF

Pretreatment



TEH

TEHTEH

TEH

TEH

TEH

Exchanger ExchangerTEH TCF

TEH TCF

TBubble pointTCF

TCF

TCF

TCF

TCF

TCF

TCF

SSCF Solid- LiquidSeparator

Mixer

Heat Heat

TSSCF TSSCF

Molecular Sieve

Pretreatment


Tin = 25°C TPT

ExchangerTPT TSSCF

ExchangerTSSCF T Bubble PointTSSCF

TSSCF TSSCF

TSSCF

¿Es posible producir algún otro bioproducto?


Objetivo del estudio

Extender la plataforma computacional del DLB 1.0 con la adición de proceso de conversión de xilosa a xilitol para evaluar la factibilidad tecnológica y económica basado en el uso defactibilidad tecnológica y económica basado en el uso de

modelos matemáticos.


Ruta metabólica y modelo matemático para la producción de xilitol

Tochampa et al., (2005)

• Una vez que la xilosa está dentro de la celula, ésta es reducida a xilitol.

• Parte de la xilosa es excretada de la célula como xilitol y otra parte es xilulosa para consumo y reproduccíón de la célula

• La glucosa (azúcar de fácil metabolización por le microorganismo) puede ser usada para producir energía y biomasa,reduciendo el consumo de xilitol dentro de la célula.


• Altas concentraciones de glucosa pueden inhibir el transporte de xilosa dentro de la célula.

31

Hacia una configuración de biorefinería: adición de la sección de producción de xilitol para extender la plataforma computacional de DLB 1.0

• La producción de xilitol a través de levaduras puede ser afectada pordiversos factores como: condiciones del cultivo, concentración inicial dexilosa y la presencia de inhibidores (e.g. glucosa, ácido acético, furfurales,etc.) producidos en el proceso de hidrólisis enzimática.

• Los efectos de inhibición de etanol sobre el género Candida no han sidocompletamente estudiados y no se encuentra información disponibleacerca de éstos.

¿En qué parte del proceso debemos adicionar la sección de producción de xilitol?

Por seguridad del diseño del proceso la sección de producción de xilitol fue

xilitol?


Por seguridad del diseño del proceso, la sección de producción de xilitol fue adicionada después que el etanol es eliminad de las corrientes de proceso.

Hacia una configuración de biorefinería: adición de la sección de producción de xilitol para extender la plataforma computacional de DLB 1.0

C_RECY‐C SSCF‐C

C RECY‐C‐RECY C RECY‐C‐RECYC_RECY‐C‐RECY C_RECY‐C‐RECY


Implementación: MatLab

C fi ió d C t d C t d % d dif i % d dif i l % d dif iConfiguración de proceso

Costo de producción para el bioetanol,

USD/gal‐etanol

Costo de producción para

el xilitol, USD/gal‐xilitol

% de diferencia en las ganancias por producción de

etanol comparado con la configuración

% de diferencia en las ganancias por

producción de xilitol comparado con la

configuración SSCF ‐C

% de diferencia en las gananciatotal comparado

con la configuracióng

SSCF ‐Cg g

SSCF ‐CC_RECY‐C 2.42 0.0078 ‐90.4% 20.9% ‐44.4%

C_RECY‐C_RECY 2.15 0.0078 ‐49.8% 20.3% ‐20.8%

SSCF‐C 1 53 0 0054 ‐ ‐ ‐SSCF‐C 1.53 0.0054 ‐ ‐ ‐

SSCF‐C_RECY 1.71 0.0077 29.9% 18.4% 25.1%

• C_RECY‐C – SSCF‐C: la ganancia por producción de xilitol es 20.9% mayor para C_RECY‐C, pero el costo de producciónde etanol fue 58.2% más alto que la configuración de proceso. La ganacia total fue 44.4 % menor en C RECY‐C que ende etanol fue 58.2% más alto que la configuración de proceso. La ganacia total fue 44.4 % menor en C_RECY C que enSSCF‐C.

• C_RECY‐C_RECY – SSCF‐C: Los resultados para xilitol fueron similares a los anteriores, pero el costo de producción deetanol fue 1.4 veces mayor y la ganacia total fue 20.8% menor comparada con SSCF‐C.

• SSCF‐C – SSCF‐C_RECY: La ganacia potencial de xilitol para SSCF‐C_RECY fue 1.84 mayor con respecto a la configuraciónde referencia y la variación para el costo de producción de bioetanol fue 11.8% más cara para SSCF‐C_RECY, pero laganancia potencial total para etanol y xilitol fue 25.1% mayor para SSCF‐C_RECY debido a las cantidades de productoobtenido


obtenido.

Resultados obtenidos

• Este estudio presentó la adición de la sección deEste estudio presentó la adición de la sección dexilitol a la versión extendida de la plataforma DLB 1.0plataforma de modelado de una biorefinería.

• Se llevó a cabo un análisis detallado de la ganaciagtotal, donde la mejor configuración de proceso fuecuando se combinaba en la configuración SSCF‐

l d lC_RECY con un ganancia 25.1% mayor a la del casode referencia SSCF‐C.


¿Qué más se ha hecho?

• Implementación de estrategias de control:Implementación de estrategias de control:– Producción de xilitol a través de una ruta biológica

• Diseño del proceso de producción de isosorbida apartir de sorbitol.


En qué se está trabajando

• Producción de Acetona, Butanol y EtanolProducción de Acetona, Butanol y Etanol– Desarrollo e implementación de modelos matemáticospara la simulación del proceso de producción.

– Actividades en el laboratorio para la colección de datosnecesarios en el desarrollo de modelos matemáticos.

P d ió d Á id P lilá ti• Producción de Ácido Poliláctico– Desarrollo e implementación de modelos matemáticospara la simulación del proceso de producción.para la simulación del proceso de producción.

– Experimentación para la colección de datos necesarios enel desarrollo o adecuación de modelos matemáticos.


Conclusión

• En esta presentación de mostró el uso sistemático de modelost áti l áli i d dif t ti d l dmatemáticos para el análisis de diferentes tipos de los procesos de

producción de bioetanol y xilitol

– Generación de una plataforma computacionalGeneración de una plataforma computacional.

– Evaluación de diferentes esquemas de procesos de producción.

– Análisis de las incertidumbres en procesos de producción.

– Diseño de un proceso de producción: hacia una biorefinería

• Es necesario tener un equipo multidisciplinario en el diseño delproceso, debido a la complejidad intrínseca de los procesosbiológicos


biológicos.

38

G i t ióGracias por su atención


Bibliografía• Aden, A., Ruth, M., Ibsen, K., et al. (2002). Lignocellulosic biomass to ethanol process design and economics utilizing co‐current dilute acid

prehydrolysis and enzymatic hydrolysis for corn stover. National Renewable Energy Laboratory technical report. NREL/TP‐510‐32438.

• Demirbas, A. (2009). Biofuels. Securing the Planet’s Future Energy Needs, Springer‐Verlag London Limited.

• Environmental Protection Agency http://www epa gov/ Fecha de Consulta: 14 de Septiembre 2013Environmental Protection Agency. http://www.epa.gov/. Fecha de Consulta: 14 de Septiembre, 2013.

• Estimado Zafra 2012 (2012). http://www.campomexicano.gob.mx/azcf/reportes/salidaHtml.php. Fecha de consulta: 14 de Septiembre, 2013.

• European Climate Change Programme. http://ec.europa.eu/clima/policies/eccp/index_en.htm. Fecha de Consulta: 14 de Septiembre, 2013.

• Kadam, K.L. Rydholm, E.C. McMillan, J.D. (2004). “Development and Validation of a Kinetic Model for Enzymatic Saccharification of LignocellulosicBiomass”. Biotechnology Progress, 20, 698‐705.

• Krishnan, M.S., Ho, N.W.Y., Tsao, G.T. (1999). “Fermentation Kinetics of Ethanol production from Glucose and Xylose by recombinant Saccharomyces1400(pLNH33)”. Applied biochemistry and biotechnology, 77‐79, 373‐388.

• Kyoto Protocol (1998). http://unfccc.int/kyoto_protocol/items/2830.php. Fecha de Consulta: 14 de Septiembre, 2013.

• Lavarack B.P., Griffin G.J. Rodman D., “The acid hydrolysis of sugarcane baggase hemicellulose to produce, xylose, arabinose, glucose and otherproducts”. Biomass Bioenergy. 23, 367‐380 (2002).

• Ley General de Cambio Climático (2012). http://www.diputados.gob.mx/LeyesBiblio/pdf/LGCC.pdf. Fecha de Consulta: 14 de Septiembre, 2013.

M l R d i R G K V M A S Si G (2011 ) “A M h i l M d l f Si l S h ifi i d C F i ”• Morales‐Rodriguez, R., Gernaey, K.V., Meyer, A.S., Sin, G. (2011a) “A Mathematical Model for Simultaneous Saccharification and Co‐Fermentation”.Chinese Journal of Chemical Engineering. 19, 185‐191.

• Morales‐Rodriguez, R., Meyer, A.S., Gernaey, K.V., Sin, G. (2011b). “Dynamic Model‐Based Evaluation of Process configuration for Integrated operationand Hydrolysis and Co‐Fermentation for Bioethanol Production from Lignocellulose”. Bioresource Technology. 102, 1174‐1184.

• Morales‐Rodriguez, R., Meyer, A.S., Gernaey, K.V. & Sin, G. (2012a). “A Framework for Model‐Based Optimization of Bioprocesses under Uncertainty:Lignocellulosic Ethanol Production Case”. Computers and Chemical Engineering (ISSN: 0098‐1354), 42, 115‐129.

• Morales‐Rodríguez, R., Rodriguez‐Gomez, D., Alvarado‐Morales, M. & Lugo‐Mendez, H.D. (2012b). “A Model‐Based Process Configurations Comparisonfor Bioethanol Production from Lignocellulose Feedstocks”. 1° Congreso Internacional Sobre Biorefinerías. San José del Cabo, BJS, México. Páginas 544‐550. ISBN: 978‐607‐441‐200‐0.

• Prospectiva de Energías Renovables 2013‐2026 (2012). http://www.sener.gob.mx/res/PE_y_DT/pub/2012/PER_2012‐2026.pdf. Fecha de Consulta: 14de Septiembre, 2013.

• Tochampa W Sirisansaneeyakul S Vanichsriratana W Srinophakun P Bakker H H C Chisti Y (2005) “A model of xylitol production by the yeast


• Tochampa, W., Sirisansaneeyakul, S., Vanichsriratana, W., Srinophakun, P., Bakker, H.H.C., Chisti, Y., (2005). A model of xylitol production by the yeastCandida mogii”, Bioprocess Biosyst Eng, Vol. 28, p. 175‐183.

Producción de bio‐combustibles y bio‐productos de alto valor agregado a través del uso sistemático de modelos matemáticos

Ri d M l R d íRicardo Morales RodríguezDepartamento de Ingeniería de Procesos e Hidráulica, Universidad Autónoma Metropolitana‐

Iztapalapa, Av. San Rafael Atlixco 186, C.P. 09340, México, D.F., México


Ml RdíR odríguezsgpwe.izt.uam.mx/.../Seminario_Univ_de_Guanajuato.pdf · 2013-10-14 · Marco...

Documents

Transcript of Ml RdíR odríguezsgpwe.izt.uam.mx/.../Seminario_Univ_de_Guanajuato.pdf · 2013-10-14 · Marco...