Analyse croisée des deux enseignantes

Uma das principais barreiras em se difundir o uso de modelos e técnicas de controle não lineares nas indústrias químicas e de bioprocessos é o custo do desenvolvimento do modelo e da sua validação. Normalmente custos com modelagem representam mais que 75% dos gastos no desenvolvimento de um projeto de controle avançado (Hussain, 1999). Em bioprocessos, especialmente, a modelagem matemática de culturas microbianas é uma tarefa complexa. Modelos não estruturados desses processos, que descrevem o sistema através de equações de balanço de massa para um número reduzido de variáveis, são relativamente fáceis de formular. Porém, sua solução torna-se complexa por causa da dificuldade de ajuste de suas relações cinéticas que, quando são conhecidas, podem envolver um grande número de parâmetros que têm que ser estimados usando técnicas de otimização não linear.

Como citado anteriormente, bioprocessos são sistemas químicos complexos e não lineares por natureza. O mecanismo global de reação, entendido no arcabouço de uma pseudo-estequiometria do tipo reagentes (substratos) → produtos, é muito mais

intrincado que o de reações químicas convencionais, por causa dos complexos mecanismos de regulação gênica e dos mecanismos de controle enzimático envolvidos. As dificuldades presentes no uso de técnicas convencionais para modelar tais sistemas complexos fazem das redes neurais uma boa ferramenta para sua modelagem (Baughman e Liu, 1995).

Por ser uma das áreas de maior crescimento dentro do campo da Inteligência Artificial e uma das mais promissoras por sua habilidade em aprender relações não lineares, redes neurais apresentam uma ampla aplicabilidade em processos químicos e bioquímicos, tais como detecção de falhas, identificação de processos não lineares, estimação de estado e “soft sensoring” (ou sensoriamento virtual). Hoskins e Himmelblau, 1988, publicaram o primeiro artigo de redes neurais aplicadas em engenharia química, para detecção de falhas em um reator. Desde então, o número de publicações utilizando redes neurais nessa área (aí incluídos os processos bioquímicos) tem aumentado significativamente.

Thibault et al., 1990, utilizaram a técnica de redes neurais na modelagem

dinâmica de bioprocessos. A rede neural dinâmica foi empregada para prever as variáveis-chave do processo. Para avaliação de seu desempenho, o método foi

comparado com um filtro de Kalman estendido, algoritmo baseado em modelo fenomenológico do sistema. A rede foi utilizada na simulação de fermentador contínuo perfeitamente agitado e os estudos mostraram que esta foi capaz de generalizar a dinâmica do processo com precisão e relativa imunidade aos ruídos.

Di Massimo et al., 1992, utilizaram redes neurais para modelar bioprocesso de

produção da penicilina, destacando a vantagem do uso de redes para inferência de importantes variáveis, em relação às técnicas de inferência baseadas em modelo. Esse trabalho investigou a construção de biossensores para estimativa de biomassa e da concentração de penicilina a partir de dados disponíveis "on-line", em bioprocesso industriais.

A capacidade de redes neurais na modelagem do crescimento em batelada de uma cultura de Klebsiella oxytoca ATCC 13882 foi investigada por Syu e Tsao, 1993. Uma função de transferência tipo saturação foi testada. A rede utilizada foi "feedforward" multicamadas com algoritmo da retropropagação e esta se mostrou capaz de simular e predizer várias situações.

Um exemplo de uso de redes neurais para controle de pH na produção da penicilina G acilase (enzima estudada neste projeto), por Arthrobacter viscosus, microrganismo que, da mesma forma que o Bacillus megaterium, expressa a enzima extracelularmente, é descrito por Syu e Chang, 1997. Estes autores usaram uma rede neural recorrente, obtendo bons resultados.

Linko et al., 1997, utilizaram redes neurais como “software sensors” na

produção das enzimas glucoamilase (E.C. 3.2.1.3) por Aspergillus niger, e lipase (E.C. 3.1.1.3) produzida por Candida rugosa. Para isso testaram várias topologias de rede para estimação e predição da atividade enzimática e da concentração de biomassa. As variáveis medidas em linha como pH, agitação, velocidade de consumo de O2, evolução

de CO2, consumo total de O2, CO2 total produzido e consumo de amônia foram usadas

como entradas. O número de neurônios na camada oculta e diferentes funções de ativação (tangente hiperbólica, sigmoidal e sigmoidal bipolar) foram testadas de modo a ser obter o melhor desempenho. A tangente hiperbólica foi escolhida como melhor função de ativação e para cada enzima foi escolhida uma topologia de rede que melhor estimou a atividade enzimática: lipase (4-7-1) e glucoamilase (4-10-6).

Acuña et al., 1998, utilizaram redes neurais para elaborar modelos estáticos e

dinâmicos para estimação "on-line" da concentração de biomassa durante ensaio com culturas batelada de Streptococcus salivarius ssp. thermophilus 404 e Lactobacillus

delbrueckii ssp. bulgaricus 398, conduzidas com controle de temperatura e pH. Redes

neurais recorrentes foram usadas para modelar as fermentações. Os modelos dinâmicos, quando agindo como estimadores, ofereceram respostas mais estáveis que as de modelos estáticos.

Hussain, 1999, apresentou uma extensa revisão das aplicações de redes neurais em controle de processos químicos tanto em simulações como em inferência em linha. Segundo o autor, embora apresentem uma ampla gama de aplicação, redes neurais só tiveram seu uso difundido para controle de processos recentemente. Este trabalho cita seu uso nas três maiores categorias de controle: controle preditivo, controle baseado em modelo inverso e controle adaptativo. Em geral, o controle preditivo tem a vantagem de ser estável, com ações de controle menos bruscas, mas com maior tempo computacional. Técnicas de controle baseado no modelo inverso têm a vantagem da rápida implementação mas requerem ações de controle mais bruscas, o que leva a problemas de instabilidade. As técnicas de controle adaptativo são apropriadas para modelos com variações de parâmetros mas esta estratégia também está propensa a problemas de instabilidade, especialmente em sistemas não lineares. Esta revisão revelou uma grande perspectiva de aplicação de redes neurais em controle de processos, além do uso de redes neurais multicamadas com função de ativação sigmoidal ou hiperbólica como as mais populares.

Uma boa discussão do uso de redes neurais como sensores virtuais em processos de produção de enzimas foi realizada por Linko et al., 1999. Vários fatores que podem afetar o desempenho de uma rede neural foram abordados neste artigo, como sua arquitetura, topologia e função de ativação, além da seleção das variáveis de entrada no treinamento e validação. Foram tratados com exemplos de aplicação em processos a produção de α-amilase, β-galactosidase, gluco-amilase, lipase e xilase.

Além do uso de redes neurais como caixa-preta, onde o processo é representado somente com base em observações das entradas e saídas do sistema, estas têm sido bastante utilizadas juntamente com modelos matemáticos mecanísticos do processo, num enfoque conhecido como caixa-cinza.

Psichogios e Ungar, 1992, apresentaram uma rede neural híbrida e a usaram na modelagem de um biorreator batelada alimentada. O modelo neural híbrido combinava equações de balanço, que incorporam um certo conhecimento do processo modelado, com uma rede neural que serve com estimador dos parâmetros não medidos do processo. A avaliação da rede neural híbrida é feita através da comparação com uma rede padrão e com outros algoritmos estimadores, como o filtro de Kalman estendido e a programação não linear. Uma representação esquemática da rede neural híbrida utilizada pode ser vista na Figura 2.9. A rede recebe como entrada as variáveis do processo e fornece um valor do parâmetro estimado, neste caso, a velocidade de crescimento celular. A saída da rede serve como entrada para as equações de balanço, as quais produzem como saída as variáveis do processo no próximo instante. A combinação dos dois blocos produz a rede neural híbrida completa do sistema bioquímico.

Van Can et al., 1997, utilizaram modelo de rede neural caixa-cinza na

modelagem da conversão enzimática (hidrólise) da penicilina G (PenG) a ácido 6- aminopenicilânico (6-APA) e ácido fenilacético (AFA) por penicilina acilase. Os autores apresentaram três diferentes estratégias, que se diferenciam pela quantidade de conhecimento usada no desenvolvimento do modelo: caixa-branca, caixa-preta e caixa- cinza. Na estratégia de modelagem caixa-branca o desenvolvimento do modelo é principalmente dirigido pelo conhecimento dos mecanismos relevantes, os chamados balanços macroscópicos ou equações de balanço. Na estratégia de modelagem caixa- preta o desenvolvimento do modelo é dirigido principalmente pelos dados medidos a partir do sistema real que está sendo modelado. E finalmente a estratégia de modelagem caixa-cinza pode ser definida como a combinação das duas estratégias anteriores, que leva o modelo a boas propriedades de interpolação e extrapolação. O desenho esquemático das três estratégias pode ser visto na Figura 2.11. Os resultados mostraram que a estratégia caixa-cinza teve o melhor desempenho global.

B a la n ço s M a cr o sc ó p ic_o s (PenG)k (PenG)0 Bk+1 Rede Neural (AFA)0 Bk (6APA)0 (6APA)k (6APA)k+1 (PenG)k+1 (AFA)k+1 (AFA)k (E)k (E)k+1 Vk Vk+1 Bk+1 Bk B a la n ço s M a cr_o sc ó p ic o s Rede Neural (PenG)k (6APA)k (6APA)k+1 (PenG)k+1 (AFA)k+1 (E)k+1 (E)k (AFA)k Vk Vk+1 Bk+1 Bk (a) (b) (c) Eq. Const. r_e,k re,k

Figura 2.11: Desenho esquemático das três diferentes estratégias na hidrólise da PenG. (a) caixa-branca, (b) caixa-preta e (c) caixa-cinza (Van Can et al., 1997).

Shene et al., 1999, utilizaram os dois enfoques de redes neurais para predizer

variáveis de estado, tais como concentrações de biomassa, substrato e etanol num processo em batelada alimentada usando Zymomonas mobilis CP4, em diferentes condições de composição de meio e temperatura. A primeira estratégia testada foi uma rede “feedforward” caixa-preta e a segunda um modelo híbrido, com uma rede que estimava as velocidades usadas no modelo mecanístico. A Figura 2.12 mostra as duas redes utilizadas. Bons resultados foram obtidos em ambos os casos, mostrando que as redes neurais artificiais podem ser estimadores eficientes para fermentações em batelada alimentada. Esta boa capacidade de predição pode inclusive servir como base para tomadas de decisão, como por exemplo o momento de parada da fermentação.

X1 S1 E1 T t1 ∆t S0 Camada de Entrada Camada Camada de Saída Oculta Xi+1 Si+1 Ei+1 Variáveis µ YXS rE Rede Neural Xi+1 Si+1 Ei+1 X1 S1 E1 T t ∆t S0 dX/dT=µX dS/dT=-(µX)YXS dE=rEX Modelo Matemático de Saída (a) (b)

Figura 2.12: (a) Rede neural caixa preta e (b) modelo híbrido para estimar as variáveis de estado da fermentação de Zymomonas mobilis CP4, dados o tempo presente e as

condições operacionais do processo (adaptado de Shene et al., 1999).

Chen et al., 2000, também utilizaram redes neurais com enfoque híbrido,

combinando rede neural que obtinha as velocidades de reação com equações de balanço de massa global. Função de base radial foi a escolha para a função de transferência. As redes foram usadas como modelos não lineares caixa preta para representação das velocidades de reação.

Redes neurais também podem ser utilizadas para controle de bioprocessos. Patnaik, 1999, utilizou controle neural em biorreator batelada alimentada na produção de β-galactosidase por uma linhagem recombinante de Escherichia coli. A maioria das aplicações utilizando redes neurais para controle é dirigida a pequenos reatores, onde problemas com agitação e perturbações são muitas vezes desprezíveis. Sendo assim, para simular uma situação industrial, foram adicionados ruídos aos dados gerados pelo modelo determinístico. Para mostrar a eficácia do controlador, este foi comparado a controlador PID, que se mostrou inferior para esta aplicação.

Várias outras aplicações de redes neurais em bioprocessos são reportadas na literatura; entre elas pode-se citar: a utilização para detecção de falhas (Shimizu et al., 1998) e o seu uso em otimização de biorreatores (Lednický e Mészáros, 1998; Chaudhuri e Modak, 1998).