Modelado y optimización de la fermentación en estado sólido: El poder de la inteligencia artificial en procesos biotecnológicos
Descargas: 256
DOI:
https://doi.org/10.56845/terys.v3i1.304Palabras clave:
fermentación en estado solido, modelado, optimización, algoritmos evolutivos, inteligencia artificialResumen
Este trabajo describe las características, los beneficios y el procedimiento del modelado y la optimización de procesos de fermentación en estado sólido (FES) mediante sistemas de inteligencia artificial (IA). En este artículo se describen las características de las redes neuronales artificiales para modelar un proceso; así como del algoritmo genético y la optimización por enjambre de partículas para determinar los valores óptimos de las variables independientes del proceso. Además, se señalan los requerimientos para implementar estos sistemas de IA en un proceso de FES. La propuesta se basa en la facilidad que supone el hecho de que estos sistemas de IA no requieren operaciones matemáticas complejas, ya que utilizan conceptos e ideas de la naturaleza para solucionar problemas a partir del uso de un conjunto de datos o medidas del proceso. Como su funcionamiento es simple de entender e implementar, el uso de estas técnicas de IA en la FES puede ser de gran utilidad para predecir de manera más precisa el comportamiento del proceso, reducir los errores, ahorrar tiempo y hacer un uso más eficiente de los recursos disponibles.Citas
Ajibade, F. O., Adelodun, B., Lasisi, K. H., Fadare, O. O., Ajibade, T. F., Nwogwu, N. A., Sulaymon, I. D., Ugya, A. Y., Wang, H. C., & Wang, A. (2020). Environmental pollution and their socioeconomic impacts. In Microbe Mediated Remediation of Environmental Contaminants (pp. 321–354). Elsevier. https://doi.org/10.1016/B978-0-12-821199-1.00025-0.
Angelov, P. P., Soares, E. A., Jiang, R., Arnold, N. I., & Atkinson, P. M. (2021). Explainable artificial intelligence: an analytical review. WIREs Data Mining and Knowledge Discovery, 11(5). https://doi.org/10.1002/widm.1424.
Bansal, J. C. (2019). Particle Swarm Optimization. In Studies in Computational Intelligence (Vol. 779, pp. 11–23). Springer Verlag. https://doi.org/10.1007/978-3-319-91341-4_2.
Bezerra, C. O., Carneiro, L. L., Carvalho, E. A., das Chagas, T. P., de Carvalho, L. R., Uetanabaro, A. P. T., da Silva, G. P., da Silva, E. G. P., & da Costa, A. M. (2021). Artificial Intelligence as a Combinatorial Optimization Strategy for Cellulase Production by Trichoderma stromaticum AM7 Using Peach-Palm Waste Under Solid-State Fermentation. BioEnergy Research, 14(4), 1161–1170. https://doi.org/10.1007/s12155-020-10234-4.
da Silva, I. N., Hernane Spatti, D., Andrade Flauzino, R., Liboni, L. H. B., & dos Reis Alves, S. F. (2017). Artificial Neural Networks. Springer International Publishing. https://doi.org/10.1007/978-3-319-43162-8.
Dastres, R., & Soori, M. (2021). Artificial Neural Network Systems. International Journal of Imaging and Robotics (IJIR), 2021(2), 13–25. www.ceserp.com/cp-jour.
Gutiérrez Pulido, H., & de la Vara Salazar, R. (2008). Análisis y diseño de experimentos (Segunda edición). McGraw-Hill.
Hadiyat, M. A., Sopha, B. M., & Wibowo, B. S. (2022). Response Surface Methodology Using Observational Data: A Systematic Literature Review. Applied Sciences, 12(20), 10663. https://doi.org/10.3390/app122010663.
Haupt, R. L., & Haupt, S. E. (2004). PRACTICAL GENETIC ALGORITHMS TEAM LinG-Live, Informative, Non-cost and Genuine ! (2nd ed.). A Wiley-Interscience.
Kumar, V., Ahluwalia, V., Saran, S., Kumar, J., Patel, A. K., & Singhania, R. R. (2021). Recent developments on solid-state fermentation for production of microbial secondary metabolites: Challenges and solutions. Bioresource Technology, 323, 124566. https://doi.org/10.1016/j.biortech.2020.124566.
Martins, J. R. R. A., & Ning, A. (2021). Engineering Design Optimization. Cambridge University Press. https://doi.org/10.1017/9781108980647.
Mitchell, D. A., Berovič, M., & Krieger, N. (2006). Solid-State Fermentation Bioreactors (D. A. Mitchell, M. Berovič, & N. Krieger, Eds.). Springer Berlin Heidelberg. https://doi.org/10.1007/3-540-31286-2.
Oiza, N., Moral-Vico, J., Sánchez, A., Oviedo, E. R., & Gea, T. (2022). Solid-state fermentation from organic wastes: A new generation of bioproducts. Processes (Basel, Switzerland), 10(12), 2675. https://doi.org/10.3390/pr10122675.
Sales de Menezes, L. H., Carneiro, L. L., Maria de Carvalho Tavares, I., Santos, P. H., Pereira das Chagas, T., Mendes, A. A., Paranhos da Silva, E. G., Franco, M., & Rangel de Oliveira, J. (2021). Artificial neural network hybridized with a genetic algorithm for optimization of lipase production from Penicillium roqueforti ATCC 10110 in solid-state fermentation. Biocatalysis and Agricultural Biotechnology, 31, 101885. https://doi.org/10.1016/j.bcab.2020.101885.
Taherzadeh, M., Ferreira, J., & Pandey, A. (Eds.). (2022). Current developments in biotechnology and bioengineering: Filamentous fungi biorefinery. Elsevier - Health Sciences Division.
Vandenberghe, L. P. S., Pandey, A., Carvalho, J. C., Letti, L. A. J., Woiciechowski, A. L., Karp, S. G., Thomaz-Soccol, V., Martínez-Burgos, W. J., Penha, R. O., Herrmann, L. W., Rodrigues, A. O., & Soccol, C. R. (2021). Solid-state fermentation technology and innovation for the production of agricultural and animal feed bioproducts. Systems Microbiology and Biomanufacturing, 1(2), 142–165. https://doi.org/10.1007/s43393-020-00015-7.
Descargas
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Hugo Beatriz-Cuellar, María Aurora Martínez-Trujillo, Isabel de la Luz Membrillo-Venegas
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor © D.R. Asociación Latinoamericana de Desarrollo Sustentable y Energías Renovables A. C., 