slide1
Download
Skip this Video
Download Presentation
Marco Galardini

Loading in 2 Seconds...

play fullscreen
1 / 28

Marco Galardini - PowerPoint PPT Presentation


  • 113 Views
  • Uploaded on

Marco Galardini. 7 Giugno 2007. Soft Computing. Biotecnologia industriale. I microrganismi sono utilizzati da sempre per la produzione di prodotti utili all’uomo (pane, vino, birra), ignorando la loro presenza.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Marco Galardini' - bayle


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1
Marco Galardini

7 Giugno 2007

Soft Computing

biotecnologia industriale
Biotecnologia industriale

I microrganismi sono utilizzati da sempre per la produzione di prodotti utili all’uomo (pane, vino, birra), ignorando la loro presenza.

A partire dal XIX secolo grazie agli studi di Koch, Pasteur e Vinogradiskij, è stato possibile l’isolamento e lo studio dei microrganismi.

Attualmente un gran numero di prodotti industriali sono prodotti su larga scala con l’ausilio dei microrganismi.

Vengono anche utilizzati in processi di risanamento delle acque, dei suoli e dell’aria inquinata.

prodotti di fermentazione
Prodotti di fermentazione
  • Prodotti chimici (acido citrico)
  • Alcol (etanolo)
  • Additivi alimentari (aminoacidi)
  • Antibiotici (penicillina)
  • Prodotti farmaceutici (insulina)
  • Enzimi (glucosio isomerasi)
  • Cellule (lievito)
slide4
Perché la produzione sia conveniente è necessario:
  • Produrre in quantità elevata (impianti di grande dimensione)
  • La materia prima sia poco costosa (prodotti di scarto)
  • La resa sia elevata
  • Il prodotto sia facilmente separabile dal resto del brodo
coltura batch
Coltura batch
  • La coltura in batch è un sistema chiuso
  • All'inizio della coltura vengono forniti tutti i nutrienti necessari alla crescita cellulare.
  • La coltura in batch è un sistema vantaggioso per ottenere rapidamente un'alta quantità di biomassa.
coltura continua
Coltura continua
  • La coltura in continuo è un sistema aperto, in cui nuovo terreno di coltura è immesso costantemente, mentre quello che si è esaurito è eliminato.
  • Produzione di biomassa costante nel tempo.
  • assenza di tempi morti.
  • possibile di controllare il processo regolando i flussi.
  • La lunga durata del processo può portare a contaminazione.
  • Le numerose divisioni cellulari possono portare all'accumulo di mutazioni nelle cellule.
coltura fed batch
Coltura fed batch
  • E’ un sistema aperto solo in entrata, ma non in uscita (volume variabile).
  • La biomassa aumenta in proporzione ai nutrienti forniti, fino a che la crescita non viene inibita (prodotti di scarto, assenza di ossigeno).
  • Tecnica che consente il recupero della biomassa.
complicazioni
Complicazioni

I fattori da controllare sono molti:

  • Flusso di nutrienti / produttività / aerazione / agitazione
  • Bisogna garantire la sterilità
  • Controllo temperatura

In base al microrganismo usato ho diverse condizioni ottimali e un diverso comportamento

ogni microrganismo ha un diverso modello di crescita

questi modelli sono spesso complessi e non lineari

bubble column
Bubble column

Esempio:

In questo tipo di reattori bisogna misurare il diametro medio delle bolle per determinare se l’agitazione è corretta!

colture di fototrofi
Colture di fototrofi

Esempio:

Nel caso dei fototrofi è necessario controllare anche la quantità di luce e l’agitazione in modo che tutta la coltura sia illuminata

Ma bisogna impedire che troppa luce inibisca la crescita

mass transfer
Mass transfer

Esempio:

La concentrazione dei nutrienti e dell’ossigeno che arrivano alla cellula non è la stessa del brodo di coltura

  • Bisogna considerare la diffusione attraverso i diversi film intorno al microrganismo (possono essere anche 8!)
modelli matematici per il fed batch
Modelli matematici per il fed-batch

Esempio:

Per descrivere la crescita del lievito in una coltura fed-batch vengono utilizzate 6 equazioni differenziali

  • Le varie variabili comprendono:
  • [glucosio], [O2], [CO2], [etanolo].
  • Feed-rate (flusso di nutrienti)
  • Velocità di consumo del glucosio
  • Coefficienti di mass transfer
  • Altri
  • L’incognita è la biomassa
slide13
Il calcolo delle 6 equazioni differenziali è “costoso”
  • Necessario conoscere molte variabili
  • Ogni microrganismo ha il suo modello di crescita

Soft computing:

  • Fuzzy logic
  • Neural network
artificial neural network
Artificial Neural network

L’unità fondamentale del neural network è il neurone.

Esso riceve dati in ingresso che vengono elaborati in vario modo e “filtrati” tramite dei pesi.

L’informazione viene trasmessa ai neuroni successivi solo se viene superata una certa soglia di attivazione.

I pesi nei neuroni sono ottenuti tramite addestramento.

Vari tipi di reti

(feedforward, recurrent, modular, associative)

Vari tipi di apprendimento

(supervised, unsupervised, reinforcement)

Utilizzi:

  • Mancanza di modelli matematici
  • Dati potenzialmente errati
  • Data mining
  • Bioinformatica
artificial neural network1
Artificial Neural network

E’ possibile sfruttare la capacità dei neural network di costruire un modello a partire dai dati sperimentali.

Non presuppone di conoscere il modello di crescita o tutte le variabili del pocesso.

Il primo scopo del lavoro è quindi sviluppare un neural network che predica la biomassa prodotta solo sulla base del feed-rate.

architettura del neural network
Architettura del neural network

Network “recurrent” e “dynamic” (il network è capace di considerare l’andamento temporale del processo)

Input primo blocco: feed-rate, volume

Input secondo blocco: [O2], feed-rate, volume

Output primo blocco: [O2]

Output secondo blocco: biomassa

slide17
Funzione d’attivazione

Pesi

Input del network

Output del second hidden layer

Deviazione del neurone

Output del first hidden layer

Peso

Deviazione del neurone

Gli altri due tipi di neuroni hanno lo stesso tipo di comportamento; l’ultimo produce come risultato la biomassa

simulazione del processo
Simulazione del processo

Per il processo di apprendimento del network sono stati utilizzati dati generati con il modello matematico, utilizzando 5 differenti profili di feed-rate.

Square Saw

Industrial Stair-shaped

training del network
Training del network

Algoritmo LMBP (efficiente)

Training data / validation data (2 profili di feed-rate diversi)

Viene misurato l’errore sulla biomassa

Quando l’errore inizia a salire, viene interrotto l’apprendimento e utilizzati i pesi e le deviazioni del minimo

Due strategie:

  • Training separato
  • Training unito

Testati più network, ognuno con un diverso numero di neuroni e di delays

Per ogni struttura sono testati 50 network

First hidden layer: 12 neuroni Second hidden/output layer: 1 neurone

Third hidden layer: 10 neuroni

predizione della biomassa
Predizione della biomassa

L’errore è massimo all’inizio del processo ma rimane sempre al di sotto dell’8%.

ottimizzazione del feed rate
Ottimizzazione del feed rate

Il secondo obbiettivo dello studio è quello di ottimizzare il feed-rate ed ottenere quello che massimizza la quantità finale di biomassa

Utilizzo un algoritmo genetico

modello matematico

modello ricavato dal neural network

algoritmi genetici
Algoritmi genetici
  • Sfruttano i meccanismi naturali della genetica per arrivare alla soluzione di un problema
  • Popolazione iniziale di individui (soluzioni) random
  • Valutazione della fitness (costo) delle soluzioni
  • Selezione delle soluzioni e operazioni di mutazione e crossing-over
  • Generazione delle popolazioni successive
ottimizzazione del feed rate1
Ottimizzazione del feed rate
  • La popolazione in questo caso è un vettore con n=150.
  • Ogni posizione del vettore è un valore del feed-rate ad un determinato punto del processo.
  • Il costo è determinato a partire dalla biomassa finale prodotta
  • L’algoritmo è modificato per compensare le fluttuazioni e per rendere più “liscio” l’andamento del feed-rate
ottimizzazione del feed rate2
Ottimizzazione del feed rate

Modello

matematico

Modello

neural network

La quantità finale di biomassa è pressochè identica

verifica sperimentale
Verifica sperimentale

Il metodo sviluppato viene testato in un piccolo reattore

Le prime nove run servono per creare il neural network

Nell’ultima utilizzo il modello del neural network ed ottengo il miglior feed-rate con l’algoritmo genetico

Il tempo per la fermentazione è ridotto di 4 ore e la biomassa è superiore rispetto a quella ottenuta con i feed-rate tradizionali

conclusioni
Conclusioni

Il soft computing permette di coltivare con buone rese i microrganismi anche senza conoscerne il modello di crescita

E’ possibile immaginare un applicazione di queste tecniche a microrganismi poco noti che producono prodotti particolari, spesso utili nella medicina (prodotti farmaceutici) o nella chimica dei materiali (bioplastiche)

L’interazione fra l’algoritmo genetico e il neural network va comunque migliorata

ad