ml rdír odríguezsgpwe.izt.uam.mx/.../seminario_univ_de_guanajuato.pdf · 2013-10-14 · marco...
TRANSCRIPT
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 3
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).
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 5
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.) .
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 6
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 7
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 8
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)
Colección/ Análisis (e.g.datos, modelos)
Colección/ Análisis (e.g.datos, modelos)
Identificación(e.g. Cinética de procesos
enzimáticos)
Identificación(e.g. Cinética de procesos
enzimáticos)
Identificación(e.g. Cinética de procesos
enzimáticos)
Validación
(Escala pilóto)
Validación
(Escala pilóto)
Validación
(Escala pilóto)
Innovación, diseño y simulación
(Integración de los modelos)
Innovación, diseño y simulación
(Integración de los modelos)
Innovación, diseño y simulación
(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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 10
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)
Identificación(e.g. Cinética de procesos
en imáticos)
Identificación(e.g. Cinética de procesos
en imáticos)
Identificación(e.g. Cinética de procesos
en imáticos)
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 11
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 12
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 13
Innovación, diseño y simulación
(Integración de los modelos)
Innovación, diseño y simulación
(Integración de los modelos)
Innovación, diseño y simulación
(Integración de los modelos)
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 14
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
Downstream Processes
Tin = 25°C TPT TPT TEH
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
Downstream Processes
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 15
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 16
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato17
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato18
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato19
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato20
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato22
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato23
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato24
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato25
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 26
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 27
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato28
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
Downstream Processes
Tin = 25°C TPT TPT TEH
TEH
TEHTEH
TEH
TEH
TEH
Exchanger ExchangerTEH
TEH
TBubble PointTCF
TCF
TCF
TCF
TCF
Pretreatment
Downstream Processes
Tin = 25°C TPT TPT TEH
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
Downstream Processes
Tin = 25°C TPT
ExchangerTPT TSSCF
ExchangerTSSCF T Bubble PointTSSCF
TSSCF TSSCF
TSSCF
¿Es posible producir algún otro bioproducto?
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 29
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato30
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato
• 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?
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato32
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato33
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 34
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 35
¿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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 36
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.
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 37
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato
biológicos.
38
G i t ióGracias por su atención
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 39
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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato 40
• 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
Seminarios del Posgrado del Departamento de Ingeniería Química de la Universidad de Guanajuato