Análisis de Procesos de Obtención de Etanol 47 

3.3.1. Modelamiento y simulación 

Una cantidad importante de estudios realizados a nivel de laboratorio para el mejoramiento de la producción de bioetanol se han simulado de una forma preliminar a fin de evaluar no sólo su desempeño en términos de los balances de materia y energía, sino de su operación y de los costos de capital correspondientes durante su posible implementación a nivel industrial. La calidad de la simulación depende de la idoneidad de los modelos que describen las diferentes etapas del proceso. Generalmente se emplean modelos no estructurados para el diseño de los procesos de fermentación, así como para su control rutinario. Se ha expresado la necesidad de emplear modelos estructurados para el control y optimización de los procesos de fermentación [25], aunque la complejidad inherente a este último tipo de modelos requiere desarrollarlos en función del objetivo planteado. De hecho, muchos esquemas de control no necesitan de un grado de sofisticación elevado de los modelos cinéticos. La principal limitación de los modelos no estructurados radica en que la mayoría de ellos no considera simultáneamente los cuatro factores que afectan la concentración de etanol (limitación por sustrato, inhibición por sustrato, inhibición por producto y muerte celular). Lin y Tanaka [25] revisaron varios modelos de este tipo pero sólo para fermentaciones simples dejando de lado las cinéticas de procesos como la co-fermentación, la sacarificación y fermentación simultáneas (SFS) y la sacarificación y co-fermentación simultáneas (SCFS). Uno de los modelos que no se analizó en este trabajo fue el desarrollado por Leksawasdi et al. [26] el cual considera tres de los cuatro factores mencionados que afectan la concentración de etanol durante la co-fermentación de glucosa y xilosa. En el caso de la conversión de almidón a

etanol se puede destacar el modelo de Montesinos y Navarro [27] para la SFS de harina de trigo aunque no incluye expresiones para la formación de biomasa celular.

Muchos de los modelos propuestos proporcionan la descripción matemática de configuraciones específicas de biorreactores y de sus regímenes de cultivo. Gilson y Thomas [28] desarrollaron un modelo para un reactor de lecho fluidizado con células inmovilizadas en esferas de alginato; estos autores mostraron que la reducción observada en el rendimiento de etanol comparado con las células libres fue causado por las restricciones de sustrato dentro de las esferas y no por los cambios en las tasas de actividad metabólica de las células inmovilizadas. Borzani [29] derivó un modelo basado en la ecuación de Monod para evaluar la velocidad máxima de alimentación en procesos por lotes alimentados a fin de alcanzar un medio fermentado completamente para el caso de las melazas. Converti et al. [30] reportaron un modelo simplificado de la cinética de la fermentación por lotes alimentados de melazas de caña que permite la predicción y control del desempeño del proceso para este régimen de cultivo. Tsuji et al. [31] evaluaron el desempeño de la fermentación alcohólica en continuo mediante una función objetivo evaluada mediante un vector cuyos componentes son la productividad, la concentración de etanol y la conversión del sustrato. Este análisis consideró una solución de compromiso entre estos tres componentes basada en un conjunto no inferior (conjunto de Pareto) definido en el espacio de la función evaluada por el vector. Costa et al. [32] emplearon un modelo intrínseco que tuvo en cuenta la fracción volumétrica de las células y la dependencia de las constantes cinéticas en función de la temperatura para el caso de una fermentación continua al vacío con levaduras. Con la ayuda de este modelo se optimizó el proceso usando análisis de superficies de respuesta que permitieron la determinación de las condiciones de operación que maximizan la productividad y el rendimiento; asimismo se empleó la simulación dinámica para determinar las mejores estructuras de control de este proceso.

La formulación de modelos apropiados para la descripción de los procesos biológicos que tienen lugar durante la producción de etanol es un aspecto que tiene una fuerte influencia en la calidad de la simulación subsiguiente en simuladores de procesos químicos. Pascal et al. [33] ilustraron la aplicación de un modelo cinético general de la fermentación alcohólica en la simulación del proceso global tanto para procesos continuos como para procesos por lotes alimentados usando los simuladores Prosim y Prosim Batch (Prosim S.A., Francia). La simulación realizada se aplicó a una planta industrial productora de etanol a partir de melazas de remolacha; los resultados obtenidos permitieron la optimización del proceso, aunque no se tuvo en cuenta la etapa de deshidratación. Naser y Fournier [34] utilizaron el paquete comercial CHEMCAD (Chemstations, Inc., EUA) para simular la configuración de una planta que incluyó la fermentación extractiva de melazas en un fermentador extractivo de membrana de fibra hueca. Para ello, el modelo del reactor se introdujo mediante una subrutina de Fortran; los datos de salida de la simulación se enviaron a una hoja de cálculo que manejó la evaluación económica de todo el

proceso. Los resultados obtenidos mostraron que la alta productividad de este tipo de reactores es eclipsada por el alto costo de las membranas. Sin embargo, estos autores expresan que los avances en la manufactura de las membranas de fibra hueca podrían reducir el costo del etanol producido a partir de melazas mediante un reactor extractivo de fibra hueca en un 20% en comparación como los procesos convencionales de fermentación.

La producción de etanol a partir de almidón también ha sido analizada mediante simulación. Tomando como base la simulación de un proceso tradicional de licuefacción, sacarificación y fermentación consecutivas empleando levaduras, Krishnan et al. [35] han propuesto modificaciones sustanciales al proceso que han sido probadas parcialmente a nivel de planta piloto. Estas modificaciones inluyen una columna empacada con glucoamilasa inmovilizada y el empleo de un biorreactor de lecho fluidizado con células de Z. mobilis inmovilizadas en esferas de gel de κ- carragenina. El análisis económico se hizo con ayuda de Aspen Plus para la simulación de ambos procesos obteniéndose resultados que muestran ahorros en los costos de producción de hasta US¢0,824 por litro de etanol producido utilizando el reactor de lecho fluidizado.

Hamelinck et al. [36] llevaron a cabo una evaluación exhaustiva de la conversión de biomasa en etanol teniendo en cuenta tres etapas de desarrollo (a corto, mediano y largo plazos) empleando diferentes herramientas como hojas de cálculo y Aspen Plus para etapas seleccionadas del proceso. Para un corto plazo (5 años) el proceso simulado contempló tecnologías disponibles actualmente como el pretratamiento con ácido diluido y la SFS; su evaluación mostró una eficiencia energética total de la conversión de la materia prima en etanol (incluyendo la generación de electricidad) del 38% y costos de producción de 22 €/GJ. A mediano plazo (10-15 años) se evaluó un proceso que involucró el pretratamiento por explosión a vapor, que permite una mejor hidrólisis de la celulosa y una menor corriente de yeso en los efluentes, así como el proceso de SCFS; en este caso se obtuvo una eficiencia energética total del 67% y unos costos de etanol de 13 €/GJ teniendo en cuenta la utilización de un gasificador integrado de biomasa de ciclo combinado (BIG/CC, por sus siglas en inglés) para la cogeneración de vapor y electricidad, el cual representa una tecnología más avanzada que las calderas convencionales. Para un largo plazo (mayor a 20 años), el proceso estudiado consideró el pretratamiento con agua líquida caliente (LHW) y un bioprocesamiento consolidado (CBP, por sus siglas en inglés) el cual implicó la conversión directa de la celulosa en etanol utilizando microorganismos recombinantes; para este caso se obtuvo una eficiencia energética total del 52% y unos costos de producción de 8,7 €/GJ. La eficiencia energética disminuyó en comparación con la variante de mediano plazo debido a una mayor conversión de los polisacáridos, lo que disminuye la cantidad de biomasa que sería quemada en las calderas para la generación de electricidad. Polakovič y Mandenius [37] usaron el simulador orientado a ecuaciones SPEEDUP (Aspen Technology, Inc., EUA) para el análisis de la producción de etanol a partir de soluciones diluidas de azúcares. Basado en los resultados obtenidos, estos autores propusieron la adición de una corriente de azúcares más concentrada para la reconversión de destilerías continuas

que empleen soluciones diluidas de azúcares como por ejemplo el efluente de las fábricas de papel y de pulpa de papel. La simulación se constituye así en una potente herramienta para la evaluación de alternativas del proceso de obtención de bioetanol. El modelamiento y la simulación implican un gran ahorro de recursos durante la experimentación en planta piloto considerando que estos ensayos pueden corroborar las suposiciones hechas durante las etapas de diseño además de definir con antelación el rango de condiciones de operación donde el proceso tiene el mejor desempeño y no al contrario, es decir, cuando el diseño de un proceso dado es definido por la experimentación en rangos predefinidos (no siempre los mejores) de las variables de operación. Lo anterior es válido cuando los modelos son adecuados para la descripción de los procesos correspondientes en todo el intervalo de condiciones de operación estudiados.

3.3.2. Dinámica de la fermentación alcohólica 

El diseño de procesos debe considerar los aspectos de control y operación con miras a su implementación comercial. En la industria de producción de etanol el control y la operación de los procesos de fermentación se han convertido en una tarea muy compleja debido a la naturaleza del sistema, su carácter multicomponente y al comportamiento oscilatorio de algunos regímenes de cultivo. Para abordar este reto se requiere el desarrollo de modelos dinámicos para estimar el comportamiento del sistema con el tiempo. Estos modelos permiten a su vez realizar la simulación dinámica de los procesos de fermentación. Precisamente una de las directrices de investigación y desarrollo del proceso de producción de bioetanol es el estudio del comportamiento dinámico de la fermentación especialmente en el caso del cultivo continuo.

El comportamiento oscilatorio de las fermentaciones impone grandes retos en el diseño de los bioprocesos. En la producción de etanol este comportamiento es característico de los cultivos continuos de Z. mobilis bajo ciertas condiciones como valores específicos de la tasa de dilución o de la concentración de alcohol etílico en el caldo. También se ha observado este comportamiento en cultivos de S. cerevisiae bajo condiciones igualmente particulares. Para lograr reflejar este comportamiento verificado a nivel experimental se requiere plantear modelos matemáticos que no solamente describan la cinética de crecimiento celular y formación de etanol, sino que incluyan términos o expresiones que posibiliten la predicción de las oscilaciones durante la fermentación continua. Para ello en algunos trabajos se han complementado las ecuaciones que describen la cinética de crecimiento con ecuaciones adicionales que tienen en cuenta conceptos como la “velocidad dinámica específica de crecimiento celular” que considera las condiciones de cultivo inhibitorias que ocurrieron en el pasado reciente y que afectan el desarrollo celular en el presente [38, 39]. Estos modelos se aplican en la formulación de las ecuaciones de balance de materia las cuales son la base para la simulación dinámica de estos procesos. Se ha sugerido que el cambio en la morfología de las células microbianas hacia un aspecto más filamentoso puede explicar el cambio en la velocidad de crecimiento específica y en la formación de producto.

Sin embargo el enfoque más utilizado para el estudio de los procesos de fermentación continua que más se ha desarrollado en los últimos tiempos y que ofrece una mayor comprensión del fenómeno estudiado es el análisis no lineal. El análisis no lineal (llamado a veces también análisis de bifurcación) proporciona valiosas herramientas para estudiar la aparición de múltiples estados estacionarios cuando se varían los valores de los parámetros de operación del cultivo de microorganismos. El problema de los estados estacionarios múltiples está relacionado con el hecho de que para un mismo valor de los parámetros de operación del proceso, típicamente la tasa de dilución y la concentración del sustrato en la corriente de entrada del biorreactor, el sistema puede alcanzar diferentes estados estacionarios cada uno con indicadores de desempeño diferentes (rendimiento, productividad, conversión). El análisis se complica si se tiene en cuenta que los estados estacionarios pueden ser estables o inestables. Con frecuencia, justamente el estado estacionario inestable es el que presenta mayores productividades o rendimientos de etanol. Lo anterior hace la operación industrial de estos procesos más compleja ya que pequeñas variaciones en la tasa de dilución o en la composición del medio de cultivo en la alimentación pueden conllevar a que el sistema caiga en el estado estacionario con menores indicadores de desempeño pero que es más estable. El objetivo del control es precisamente mantener el sistema en un punto de operación óptimo para lo cual se requiere de poderosas herramientas de análisis como las que ofrece el análisis de bifurcación. En particular, este tipo de análisis permite determinar la coexistencia de múltiples estados estacionarios bajo las mismas condiciones de operación para cultivos continuos de Z. mobilis y S. cerevisiae [40]. Mediante análisis de bifurcación se ha logrado también determinar que en algunos casos la operación de los biorreactores bajo condiciones de atractores periódicos o caóticos puede representar mayores conversiones de sustrato, rendimiento y tasas de producción de alcohol que los estados estacionarios correspondientes [41, 42].

La operación de los biorreactores mediante lotes alimentados es más difícil de modelar debido al hecho de que las células microbianas crecen bajo condiciones que cambian permanentemente. Para abordar este problema se han utilizado enfoques no convencionales como el uso de redes neuronales [43], técnicas de evolución diferencial [44], procedimiento basados en lógica difusa [45], entre otros. En estos casos se determina una política de alimentación óptima, es decir, se determina cómo debe cambiar el caudal de alimentación de medio de cultivo fresco durante la fermentación de tal manera que en cada momento de tiempo el sistema tenga el mejor desempeño en cuanto a su producción de etanol.