Determinación de un método de dosificación de agentes oxidantes y su efecto en la selectividad de un proceso de pretratamiento de lignina en medio alcalino

Texto completo

(1)DETERMINACIÓN DE UN MÉTODO DE DOSIFICACIÓN DE AGENTES OXIDANTES Y SU EFECTO EN LA SELECTIVIDAD DE UN PROCESO DE PRETRATAMIENTO DE LIGNINA EN MEDIO ALCALINO. Proyecto de Grado Por DIEGO FERNANDO CASTRO GUASCA. Presentado a la Oficina de Estudios de Pregrado de la Universidad de los Andes En cumplimiento parcial de los requisitos para el título de. INGENIERO QUÍMICO. Asesor: ROCÍO SIERRA RAMÍREZ, M.Sc, Ph.D. UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERIA DEPARTAMENTO DE INGENIERIA QUIMICA BOGOTA D.C 2012.

(2) DETERMINACIÓN DE UN MÉTODO DE DOSIFICACIÓN DE AGENTES OXIDANTES Y SU EFECTO EN LA SELECTIVIDAD DE UN PROCESO DE PRETRATAMIENTO DE LIGNINA EN MEDIO ALCALINO. Proyecto de Grado Por DIEGO FERNANDO CASTRO GUASCA. ____________________________________________ ROCÍO SIERRA RAMÍREZ, M.Sc., Ph.D Asesor. _____________________________________________ PABLO ORTIZ, M.Sc., Ph.D Jurado. UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERIA DEPARTAMENTO DE INGENIERIA QUIMICA BOGOTA 2012.

(3) iii. ABSTRACT. Determination of an Oxidation Agents Addition Method and its Effect in Selectivity of an Alkali-based Pretreatment Process of Lignocellulosic Biomass. Diego Fernando Castro Guasca, Universidad de los Andes, Colombia. Advisor: Rocío Sierra Ramírez, M.Sc., Ph.D. MixAlco process is based on alcohol obtaining as biofuel from vegetable waste (lignocellulose) where constitutive carbohydrates are bear in mind. Pretreatment does part of the process, and its function consists of lignin degradation in order to increase the digestibility process. Pretreatment is not necessarily very selective. In this investigation, beside exploring new analytical methods for the determination of the lignin concentration of a given sample, it is sought to determine if the pretreatment selectivity increases significantly when pretreatment is carried out through stages. Two stages are used for delignification: Stage P corresponding to the use of hydrogen peroxide (5%wt) as oxidative agent where 2 temperatures are born in mind (50 and 70°C) and two operation times (30 min and 1 h); Stage E corresponds to the use of calcium hydroxide (3 % wt). As the stage P, stage E is carried out at 2 temperatures (80 and 100°C) and two operation times (2 and 4 h). Using the predictive model of biomass constituents obtained through proper Vision NIR spectrophotometry software, lignin and carbohydrate concentrations were calculated faster by conventional procedures. Kinetic parameters were estimated and sugars selectivity were calculated and analyzed..

(4) iv. RESUMEN. Determinación de un Método de Dosificación de Agentes Oxidantes y su Efecto en la Selectividad de un Proceso de Pretratamiento de Lignina en Medio Alcalino. Diego Fernando Castro Guasca, Universidad de los Andes, Colombia. Asesor: Rocío Sierra Ramírez, M.Sc., Ph.D. En este proyecto, además de explorar nuevos métodos analíticos para la determinación del contenido de lignina de una muestra dada, se busca determinar si la selectividad del pretratamiento aumenta significativamente cuando el pretratamiento se realiza por etapas. Se usan dos etapas de deslignificación: Etapa P correspondiente al uso de peróxido de hidrógeno (5% v/v) como agente oxidante en donde se tienen en cuenta 2 temperaturas (50 y 70°C) y dos tiempos de operación (30 min y 1 h); Etapa E correspondiente al uso de hidróxido de calcio (0.1 g Ca(OH)2/ g biomasa) como agente alcalino. Al igual que la etapa P, la etapa E se lleva a cabo a 2 temperaturas (80 y 100°C) y dos tiempos de operación (2 y 4 h). Por medio del modelo predictivo de concentraciones de constituyentes de la biomasa obtenido a través del software VISION propio de la espectrofotometría NIR se calcularon las concentraciones de lignina y carbohidratos de forma más ágil que por los procedimientos convencionales. Se estimaron los parámetros del modelo cinético del proceso, los cuales estadísticamente son satisfactorios de acuerdo a los intervalos de confianza en los cuales fueron obtenidos y a partir de ellos se evalúa la selectividad de carbohidratos en el proceso..

(5) v. DEDICATORIA. Para mi familia quienes fueron un gran ejemplo de disciplina, responsabilidad y amor por el trabajo. Para aquellos amigos y compañeros quienes fueron un desinteresado e incondicional apoyo en el desarrollo de este proyecto..

(6) vi. AGRADECIMIENTOS. A Dios, porque ha sido mi fortaleza espiritual y en quien siempre he depositado toda mi confianza y fe para salir adelante en la vida. Agradezco a mi madre Esperanza por todo su sacrificio, su entrega, paciencia y todo el apoyo que siempre me ha brindado. A mi familia porque siempre creyeron en mí y nunca dudaron en extenderme su mano en momentos difíciles. Agradezco a la Profesora Rocío Sierra por haberme dado la oportunidad y el privilegio de trabajar con ella en este proyecto, por brindarme su apoyo, confianza, por su paciencia y por haber compartido conmigo sus conocimientos, enseñanzas y consejos. A Nicolás Auza porque nunca dudó en brindarme su colaboración, por su apoyo desinteresado e incondicional en el laboratorio y por haber sacrificado de ciertas obligaciones por trabajar en este proyecto. Agradezco a los compañeros del laboratorio: Alfredo Santamaria, Deicy Tique, Viviana Ferreira y Mauricio Gómez por su gran atención, servicio y colaboración brindada durante el desarrollo del proyecto. Agradezco a los compañeros y colegas Diego Copete, Andrés Simbaqueba y Juan Felipe Rojas por brindarme de su ayuda y conocimientos por el bien del proyecto..

(7) vii. CONTENIDO. Page ABSTRACT ............................................................................................................... iii. RESUMEN ................................................................................................................. iv. DEDICATORIA ......................................................................................................... v. AGRADECIMIENTOS ............................................................................................. vi. CONTENIDO............................................................................................................. vii. LISTA DE FIGURAS ................................................................................................ ix. LISTA DE TABLAS .................................................................................................. x. I. INTRODUCCION ................................................................................ 1. II. OBJETIVOS.......................................................................................... 7. 2.1. Objetivo general ...................................................................... 2.2. Objetivos Específicos ............................................................... 7 7. ESTADO DEL ARTE ........................................................................... 8. 3.1 Pretratamiento Oxidativo ......................................................... 3.2 Regresión PLS aplicada en el análisis espectrofotométrico ..... 3.3 Modelo Cinético……………………………………………... 8 8 10. METODOLOGIA ................................................................................. 13. III. IV.

(8) viii. Page 4.1 Desarrollo del modelo analítico para predicción de concentraciones...…………………………………………………………… 4.2 Diseño experimental y proceso de pretratamiento ................... 4.3 Lectura de muestras pretratadas por espectrofotometría NIR... 13 17 19. RESULTADOS Y ANALISIS……………………………………….. 20. V. 5.1 Análisis estadístico del modelo desarrollado con espectrofotometría NIR…………………………………………………………………………… 20 5.2 Desarrollo del modelo cinético ................................................ 28 5.3 Cálculo de selectividad de los procesos de pretratamiento……………………….…………………………………………….. 29. VI. CONCLUSIONES ................................................................................ 33. VII. RECOMENDACIONES Y TRABAJO A FUTURO ........................... 34. REFERENCIAS ......................................................................................................... 36. APENDICE ................................................................................................................ 37.

(9) ix. LISTA DE FIGURAS. FIGURA. Pág.. 1-1. Composición de la biomasa: Celulosa, hemicelulosa y lignina. ................. 2. 1-2. Deslignificación de pulpa kraft empleando etapas ...................................... 6. 3-1. Notación matricial de variables ................................................................... 9. 3-2. Modelamiento por ley de potencias ............................................................ 11. 4-1. Secado de bagazo de caña ........................................................................... 14. 4-2. Tamizado de bagazo de caña ....................................................................... 14. 4-3. Muestras de biomasa para calibración ........................................................ 16. 4-4. Espectrofotómetro de infrarrojo cercano (NIR). ......................................... 17. 5-1. Espectro sin pretratamiento matemático ..................................................... 21. 5-2. Espectro con pretratamiento matemático .................................................... 21. 5-3. Elección del método PLS ............................................................................ 22. 5-4. Propiedades de la regresión PLS ................................................................. 23. 5-5. Gráficos de valores residuales ..................................................................... 25. 5-6. Gráficos de PRESS vs. Número de factores ............................................... 26. 5-7. Selectividad de carbohidratos para el proceso P+E .................................... 30. 5-8. Selectividad de carbohidratos para el proceso E+P .................................... 31. 5-9. Selectividad de la glucosa ........................................................................... 32. 5-10. Selectividad de la xilosa .............................................................................. 32.

(10) x. LISTA DE TABLAS. TABLA. Pág.. 1-1. Procesos de Pretratamiento de biomasa lignocelulósica para producción de biocombustibles .......................................................................................................... 3. 1-2. Etapas de blanqueo y degradación de lignina para pulpas .......................... 5. 4-1. Concentraciones de lignina y carbohidratos en material crudo y pretratado ................................................................................................................. 15. 4-2. Muestras utilizadas para elaborar la calibración del modelo de predicción de concentraciones de lignina y carbohidratos ............................................................... 16. 4-3. Diseño Experimental de las pruebas de pretratamiento individuales .......... 18. 4-4. Diseño experimental de las pruebas de pretratamiento pareadas ................ 19. 5-1. Resultados estadísticos de las pruebas de validación cruzada para elección de modelo predictivo de concentraciones ....................................................................... 24. 5-2. Resultados de composiciones de lignina y carbohidratos ........................... 27. 5-3. Parámetros calculados del modelo cinético para cada proceso de pretratamiento .......................................................................................................... 28.

(11) 1. I. INTRODUCCION. El avance de la civilización humana se debe en gran parte a la explotación de los recursos naturales. El petróleo es uno de los recursos que durante muchos años ha cumplido un papel esencial en el diario vivir de la especie humana, fundamentalmente en la demanda energética mundial. Actualmente, el gran impacto ambiental y socioeconómico dado por la explotación y consumo de petróleo, además de la prevista escasez del mismo, ha generado una problemática tal que ha motivado a la comunidad científica mundial a desarrollar investigaciones en fuentes de energía que sean capaces de reemplazar aquellas que son derivadas del recurso fósil. Una de las materias primas con la cual se ha logrado obtener una fuente alterna de energía no fósil es la resultante de los residuos agrícolas, por lo tanto, este estudio está enfocado en contribuir con la conversión biológica de dichos residuos en biocombustible.. En la producción de biocombustibles, los procesos de fermentación a partir de desechos orgánicos cuentan con niveles de conversión limitados debido a la composición de la biomasa. Además de contener los carbohidratos útiles como sustratos para procesos de fermentación, la biomasa también se compone de lignina la cual es una estructura polimérica natural que ofrece protección y rigidez a las paredes de las células vegetales (ver Figura 1-1). Por lo tanto, es necesario llevar a cabo un proceso de pretratamiento con el fin de degradar la lignina y lograr el acceso a los carbohidratos (Bura, 2010)..

(12) 2. Figura 1-1. Composición de la biomasa: Celulosa, hemicelulosa y lignina (Sierra, Smith, Granda, & Holtzapple, 2010).. La investigación enfocada en el proceso de pretratamiento es de suma importancia debido a que éste representa el 18% de los costos de producción y tiene gran influencia en la eficiencia de los procesos posteriores al mismo. Una de las características de la compleja estructura química del material lignocelulósico es su resistencia al proceso de hidrólisis enzimática (en inglés, biomass recalcitrance), en donde la lignina por medio de un revestimiento sobre las microfibrillas de la celulosa, impide el acceso de las enzimas a los sustratos, lo cual reduce la actividad enzimática. A partir de los procesos de pretratamiento, se logra reducir dicha resistencia, ya que dicho proceso además de.

(13) 3. reducir el tamaño de partícula, aumenta la porosidad del material lo cual facilita el ingreso de las enzimas a los sustratos lignocelulósicos. Por lo tanto, los procesos de pretratamiento (además de permitir el acceso a los carbohidratos presentes en el material lignocelulósico) mejoran la eficiencia de los procesos de hidrólisis enzimática y de fermentación, maximizan la recuperación de azúcares fermentables y minimiza los costos asociados con energía y reactivos químicos (Sainz, 2011). En los procesos de pretratamiento, se debe llevar a cabo la ruptura de la matriz formada por lignina – celulosa con el propósito de aumentar la fracción de celulosa amorfa, ya sea a través de sustancias ácidas o por ataque enzimático (Tsoutsos, 2010). En la industria de los biocombustibles se ha implementado gran variedad de procesos de pretratamiento, los cuales se han ejecutado a diferentes condiciones de operación y a materiales lignocelulósicos procedentes de diferentes especies vegetales (ver Tabla 1-1).. Tabla 1-1. Procesos de Pretratamiento de biomasa lignocelulósica para producción de biocombustibles (Tsoutsos, 2010). Métodos Métodos Físicos Contribución mecánica Pirólisis Métodos FísicoQuímicos Explosión de Vapor Liquor Hot Water Método AFEX (Ammonia Fiber Explosion) Explosión CO2. Agentes / Procedimiento Triturado / molienda T > 300ºC. Vapor saturado a 160 - 290ºC P = 0,69 - 4,85 MPa Agua Caliente Presurizada, P > 5 MPa, T = 170 - 230ºC, > 1 min, sólido/líquido < 20% 1 - 2 kg NH3/kg biomasa seca, 90ºC, 30 min, P = 1,12 1,36 MPa. 4 kg CO2/kg fibra, P = 5,62 MPa..

(14) 4. Métodos Químicos Ozonólisis. Ozono, T y P ambiente.. Hidrólisis Acida diluida.. 0,5 - 5% H2SO4, HCl, P = 1 MPa (sólido/líquido < 10%), T > 100ºC.. Hidrólisis Acida concentrada.. 10 - 30% H2SO4, 170 - 190ºC; sólido/ líquido 20 - 60%. Organosolv. Solventes Orgánicos (MeOH, EtOH, acetona, etileno, glicol); mezcla de 1% H2SO4 ó HCl; 185 - 198ºC, 30 - 60 min, pH = 2,0 - 3,4.. Métodos Biológicos Pretratamiento Fungi Bio - organosolv. Producción fungi de celulasa y hemicelulasa. C. subvermispora por 2 - 8 semanas; etanólisis a 140 200ºC.. Así como la industria de los biocombustibles, la industria del papel también cuenta con procesos de deslignificación de material lignocelulósico. La industria papelera a comparación de la de biocombustibles cuenta con mayor experiencia y años de desarrollo investigativo en los procesos de blanqueo y degradación de lignina vegetal, por lo tanto es de gran interés tener un acercamiento con los procesos desarrollados en dicha industria.. La industria del papel utiliza diferentes tipos de procesos o etapas para degradación de lignina y blanqueo de pulpa vegetal. La aplicación de dos ó más etapas aumenta la selectividad del proceso y reduce la cantidad de químicos requeridos (Christopher, 1996). Las etapas de proceso implementadas en esta industria se pueden detallar en la Tabla 1-2..

(15) 5. Tabla 1-2. Etapas de blanqueo y degradación de lignina para pulpas (Christopher, 1996)..

(16) 6. El resultado de la aplicación de varias etapas consecutivas en la degradación de la lignina se detalla en la Figura 1-2.. Figura 1-2. Deslignificación de pulpa kraft empleando etapas O, (E+O)*, D(E+O)*, (E+O) (E+O), D(E+O) (E+O) y (E+O)D(E+O) (Dyer, Lucia, & Ragauskas, 2000).. Este proyecto se enfoca en explorar el efecto de la aplicación de varias etapas de pretratamiento en lignocelulosa. Con el fin de obtener eficiencia en las mediciones de los cambios de composición en la lignocelulosa dados por el proceso de pretratamiento, también se exploraron herramientas analíticas que permitieran la obtención ágil de resultados..

(17) 7. II. OBJETIVOS. 2.1 OBJETIVO GENERAL. Determinar entre varias opciones preseleccionadas, la secuencia de etapas que permite máxima selectividad en un pretratamiento oxidativo – alcalino de bagazo de caña.. 2.2 OBJETIVOS ESPECÍFICOS. Desarrollar un protocolo para análisis de contenido de lignina y carbohidratos más corto que el que se tiene actualmente para permitir la realización de un mayor número de pruebas analíticas en menos tiempo. Contrastar los efectos de dos etapas consecutivas de pretratamiento con cal de bagazo de caña, una oxidativa y otra no oxidativa, a distintas temperaturas, tiempos y órdenes de ejecución sobre la degradación observada de lignina y carbohidratos. Plantear un modelo cinético para la secuencia de pretratamientos que resulte en la mayor degradación de lignina y preservación de carbohidratos, para determinar la selectividad del proceso calculada con base en el modelo..

(18) 8. III. ESTADO DEL ARTE. 3.1 Pretratamiento Oxidativo. El uso de agentes oxidantes (oxígeno o peróxido de hidrógeno) en medio alcalino permiten la formación de radicales libres hidroxil, los cuales se encargan de atacar aquellas zonas ricas en electrones de la estructura lignocelulósica. Adicionalmente, se lleva a cabo la formación de hidroperóxidos como producto intermedio, los cuales generan a su vez estructuras tales como óxido de etileno, ácido mucónico y carbonilos. Estos productos se encargan de introducir más grupos hidrofílicos en la estructura química de la lignina. Por otro lado, la formación de los grupos carbonilo indica el rompimiento de enlaces presentes en la lignina aumentando su solubilidad (AF&PA Agenda 2020 Environmental Performance Task Group, 2006). A medida que el proceso de oxidación avanza, el oxígeno puede ser reducido debido a la transferencia de un electrón que forma productos intermedios tales como radicales hidroperoxi (HO2), peróxido de hidrógeno (H2O2) y radicales hidroxilo (HO), los cuales tienen gran influencia en el pH del sistema (AF&PA Agenda 2020 Environmental Performance Task Group, 2006).. 3.2 Regresión de Mínimos Cuadrados Parciales aplicada en el Análisis Espectrofotométrico Multicomponente..

(19) 9. La regresión de mínimos cuadrados parciales (PLS) es un modelo estadístico de gran utilidad para el análisis de muestras, especialmente para aquellas que cuentan con gran número de componentes y requieren de gran cantidad de tiempo para ser analizadas por medio de pruebas de laboratorio estandarizadas (pruebas NREL, pruebas TAPPI). Este modelo relaciona una matriz Y de variables dependientes con otra matriz X de variables independientes, donde la ecuación permite modelar concentraciones de m componentes en n muestras (matriz Y) a partir de n espectros medidos a p longitudes de onda (matriz X) (Ver Figura 3-1.) (Otto, 1999).. Y = XB. p. m. Y. m. X. =. B. n. + Residuals. n. p. Figura 3-1. Notación matricial de variables dependiente (Y) e independiente (X) (Otto, 1999).. Por medio de la espectroscopía de infrarrojo cercano (NIR) se pueden analizar concentraciones de diferentes componentes presentes en una muestra. Este método se basa en la ley de Beer formulado para un componente (Otto, 1999):.

(20) 10. Donde. es la absorbancia a una longitud de onda λ;. es el coeficiente de absorción. molar a una longitud de onda λ; d representa el grosor de la celda y c corresponde a la concentración molar. En un sistema multicomponente se asume que las absorbancias a una longitud de onda i son representadas como la suma de las absorbancias de cada uno de los m componentes individuales (ver Ec. (2)) (Otto, 1999).. Dado que la espectroscopía ocurre a p longitudes de onda, se puede obtener una representación matricial de la forma a = Kc, donde a es un vector de la forma (p x 1) que representa al espectro, K es una matriz (p x m) de absortividades molares y c es un vector de concentraciones (m x 1). Finalmente para obtener la construcción del modelo, es necesario aplicar el método de calibración inversa en donde la concentración del analito se modelo como función del espectro c = f(a) (Otto, 1999).. 3.3 Modelo Cinético. Generalmente, el proceso de pretratamiento trae consigo variaciones tanto en las concentraciones de lignina como de carbohidratos presentes en la biomasa. Tales variaciones permiten desarrollar un modelo cinético con el cual se puedan estimar los cambios de las concentraciones de dichos componentes en el tiempo. Durante el proceso.

(21) 11. se destacan reacciones de cinética lenta y rápida teniendo en cuenta la ley de potencias (ver Figura 3-2.) (Sierra, 2010). A.. B.. Figura 3-2. Modelamiento por ley de potencias. A. Lignina Remanente. B. Azúcares remanentes (Sierra, 2010).. El modelo de degradación para un componente i se expresa a través de la Ec. (3).. Donde. corresponde a la producción del componente i en un tiempo j,. de frecuencia (min-1) y. es el factor. es la energía de activación (kJ/mol). Al integrar la Ec. (3) se. obtiene la siguiente expresión (Sierra, 2010):.

(22) 12. Donde. corresponde a la producción del componente i en la fase de degradación j con. tiempo igual a cero.. La Ec. (5) corresponde a la función objetivo la cual minimiza el error entre los valores experimentales del modelo cinético con los valores estimados. El método de LevenbergMarquardt tiene la utilidad de hallar los parámetros de modelos algebraicos lineales o no lineales. Además, el método asigna valores iniciales a los parámetros y luego se lleva a cabo una optimización teniendo en cuenta la combinación de valores que finalmente logren ajustarse al modelo (Serrano, 2009)..

(23) 13. IV. METODOLOGIA. 4.1 Desarrollo del modelo analítico para predicción de concentraciones. Generalmente, el método analítico que se ha venido utilizando tradicionalmente para el análisis de lignina y carbohidratos consiste de un proceso de hidrólisis ácida de biomasa en dos etapas (concentrada y diluida). Por medio de dicho procedimiento, los componentes de la biomasa lignocelulósica son separados y medidos. Sin embargo, su ejecución es tediosa y requiere de suficiente tiempo para desarrollarse (ver Apéndice) (Sluiter, Hames, Ruiz, & Scarlata, 2011). Por lo tanto, este proyecto pretende hacer uso de un método analítico con el cual se logre cuantificar los componentes de la biomasa de forma eficiente, en especial cuando se trata de grandes cantidades de muestras.. Para lograr medir los componentes de la biomasa, inicialmente se construyeron una serie de muestras de biomasa con composiciones conocidas de lignina y carbohidratos. Para esto, se utilizaron dos tipos de materiales:. Material Crudo. Se obtuvieron muestras de bagazo de caña traídas de la Hoya del Río Suárez (en el límite entre Boyacá y Santander), las cuales fueron secadas a 45ºC por 48 horas, molidas y tamizadas (Tamices Thyler de 5 a 100) (ver Figuras 4-1 y 4-2). El material que logró.

(24) 14. sobrepasar el tamiz de 100 fue elegido para este estudio. El uso de un material fino garantiza un buen desempeño óptico del espectrofotómetro, además garantiza un área de contacto apropiada para llevar a cabo los posteriores procesos de pretratamiento.. Figura 4-1. Secado de bagazo de caña a 45ºC por 48 horas.. Figura 4-2. Tamizado de bagazo de caña molido..

(25) 15. Material pretratado. En un reactor de acero inoxidable de alta presión se pretrataron 15 gramos de material crudo con 45 ml de una solución de NaOH (10% p/p) a 90ºC por 90 minutos. Posteriormente, el material pretratado fue neutralizado con una solución de HCl 5N hasta alcanzar un pH cercano a 4, luego fue lavado con agua destilada y filtrado hasta obtener el material deseado. Estas condiciones de pretratamiento fueron establecidas con el fin de obtener un material con el menor contenido de lignina.. Tanto el material crudo como el pretratado fueron sometidos a un proceso de hidrólisis ácida con el propósito de determinar sus contenidos de lignina y carbohidratos. Teniendo en cuenta las diferencias obtenidas en las concentraciones de lignina y carbohidratos de ambos materiales (ver Tabla 4-1), por medio de un balance de masa se procedió a construir las muestras de biomasa (ver Figura 4-3) con las cuales se obtiene la calibración del modelo predictivo de concentraciones a través del NIR (ver Tabla 4-2).. Tabla 4-1. Concentraciones de lignina y carbohidratos en material crudo y pretratado.. Material Crudo Material Pretratado. lignina (g lignina/g biomasa) 0,2379 0,1451. glucosa (mg/ml) 2,2990 1,2797. xilosa (mg/ml) 0,7207 0,6017.

(26) 16. Tabla 4-2. Muestras utilizadas para elaborar la calibración del modelo de predicción de concentraciones de lignina y carbohidratos. Muestra No.. fracción lignina. Fracción glucosa. Fracción xilosa. Material crudo (g). Material pretratado (g). 1. 0,600. 0,556. 0,834. 0,000. 0,500. 2. 0,625. 0,578. 0,841. 0,031. 0,469. 3. 0,650. 0,606. 0,851. 0,063. 0,438. 4. 0,675. 0,634. 0,862. 0,094. 0,406. 5. 0,700. 0,663. 0,873. 0,125. 0,375. 6. 0,725. 0,691. 0,883. 0,156. 0,344. 7. 0,750. 0,719. 0,894. 0,188. 0,313. 8. 0,775. 0,747. 0,904. 0,219. 0,281. 9. 0,800. 0,775. 0,915. 0,250. 0,250. 10. 0,825. 0,803. 0,926. 0,281. 0,219. 11. 0,850. 0,831. 0,936. 0,313. 0,188. 12. 0,875. 0,859. 0,947. 0,344. 0,156. 13. 0,900. 0,888. 0,958. 0,375. 0,125. 14. 0,925. 0,916. 0,968. 0,406. 0,094. 15. 0,950. 0,944. 0,979. 0,438. 0,063. 16. 0,975. 0,972. 0,989. 0,469. 0,031. 17. 1,000. 1,000. 1,000. 0,500. 0,000. Figura 4-3. Muestras de biomasa para calibración del modelo predictivo..

(27) 17. Cada una de las muestras se leyeron 5 veces con el espectrofotómetro con el fin de reducir errores en las mediciones. El espectrofotómetro de infrarrojo (ver Figura 4-4) cercano trabaja con un software con suficientes herramientas estadísticas con las cuales se puede hacer identificación de componentes y su cuantificación. Adicionalmente, el programa tiene implícito el código correspondiente a la regresión de mínimos cuadrados parciales.. Figura 4-4. Espectrofotómetro de infrarrojo cercano (NIR).. 4.2 Diseño experimental y proceso de pretratamiento. Las etapas de pretratamiento tendrán cuatro órdenes de ejecución:.

(28) 18. Etapa E: En un contenedor de acero inoxidable se agregan 3 gramos de biomasa (material crudo) con 0.3 g de Ca(OH)2 y 50 ml de agua desionizada. El recipiente se ajusta con cinta teflón y se pone en un horno a 80 ó 100ºC por 2 ó 4 horas. Etapa P: En un contenedor de acero inoxidable se agregan 3 gramos de biomasa con 60 ml de peróxido de hidrógeno (5% v/v). El recipiente se ajusta con cinta teflón y se pone en un horno a 50 ó 70ºC por 1/2 ó 1 hora. Etapa (P+E): Inicialmente se lleva a cabo la etapa P, posteriormente la muestra es sometida a la etapa E. Etapa (E+P): Inicialmente se lleva a cabo la etapa E, posteriormente la muestra es sometida a la etapa P.. El experimento cuenta con 2 factores (tiempo y temperatura) y dos niveles por cada factor. Por cada etapa individual se deben hacer 4 experimentos. Para cada proceso (P+E) y (E+P) se ejecutan 16 experimentos para un total de 40 (ver Tablas 4-3 y 44).. Tabla 4-3. Diseño Experimental de las pruebas de pretratamiento individuales. Etapa E 1 2 3 4. tiempo 2 horas 2 horas 4 horas 4 horas. Temp 80°C 100°C 80°C 100°C. Etapa P tiempo 1/2 hora A 1/2 hora B 1 hora C 1 hora D. Temp 50°C 70°C 50°C 70°C.

(29) 19. Tabla 4-4. Diseño experimental de las pruebas de pretratamiento pareadas. proceso E+P 1A 1B 1C 1D 2A 2B 2C 2D 3A 3B 3C 3D 4A 4B 4C 4D. tiempo 2 horas 2 horas 2 horas 2 horas 2 horas 2 horas 2 horas 2 horas 4 horas 4 horas 4 horas 4 horas 4 horas 4 horas 4 horas 4 horas. Temp 80°C 80°C 80°C 80°C 100°C 100°C 100°C 100°C 80°C 80°C 80°C 80°C 100°C 100°C 100°C 100°C. tiempo 1/2 hora 1/2 hora 1 hora 1 hora 1/2 hora 1/2 hora 1 hora 1 hora 1/2 hora 1/2 hora 1 hora 1 hora 1/2 hora 1/2 hora 1 hora 1 hora. Temp proceso P+E 50°C A1 70°C A2 50°C A3 70°C A4 50°C B1 70°C B2 50°C B3 70°C B4 50°C C1 70°C C2 50°C C3 70°C C4 50°C D1 70°C D2 50°C D3 70°C D4. tiempo 1/2 hora 1/2 hora 1/2 hora 1/2 hora 1/2 hora 1/2 hora 1/2 hora 1/2 hora 1 hora 1 hora 1 hora 1 hora 1 hora 1 hora 1 hora 1 hora. Temp 50°C 50°C 50°C 50°C 70°C 70°C 70°C 70°C 50°C 50°C 50°C 50°C 70°C 70°C 70°C 70°C. tiempo 2 horas 2 horas 4 horas 4 horas 2 horas 2 horas 4 horas 4 horas 2 horas 2 horas 4 horas 4 horas 2 horas 2 horas 4 horas 4 horas. Temp 80°C 100°C 80°C 100°C 80°C 100°C 80°C 100°C 80°C 100°C 80°C 100°C 80°C 100°C 80°C 100°C. 4.3 Lectura de muestras pretratadas por espectrofotometría NIR.. Las muestras resultantes de los 40 pretratamientos se neutralizaron con ácido clorhídrico 5N hasta obtener un valor de pH entre 3.9 y 4.3. Posteriormente, se lavaron con abundante agua destilada con el fin de eliminar rastros de ácido y productos resultantes del pretratamiento. Finalmente, para eliminar la humedad de las muestras y garantizar una lectura efectiva, éstas fueron llevadas a un horno a 45ºC por 24 horas..

(30) 20. V. RESULTADOS Y ANALISIS. 5.1 Análisis estadístico del modelo desarrollado con espectrofotometría NIR.. El espectrofotómetro de infrarrojo cercano cuenta con un rango de visibilidad que va desde los 1100 hasta los 2500 nm. Las 17 muestras elaboradas con composiciones conocidas de lignina y carbohidratos, fueron leídas 5 veces cada una dado que los espectros de una misma muestra tendían a una cierta variación en la absorbancia debido a que el tamaño de partícula no era lo suficientemente homogéneo. Sin embargo, el software propio del espectrofotómetro tiene la función de generar un espectro “promedio” de un solo tipo de muestra. Por lo tanto, de todas las 85 muestras leídas se lograron obtener 17 espectros totalmente representativos de cada muestra leída.. En la Figura 5-1 se puede observar el espectro correspondiente a las 17 muestras leídas por el espectrofotómetro, sin embargo, el espectro obtenido no es el apropiado para diferenciar los grupos funcionales de los compuestos de la biomasa debido a que las muestras se encuentran en fase sólida. El software VISION cuenta con una herramienta que permite leer el espectro de forma más apropiada para este tipo de muestras. Esta herramienta, la cual es reconocida como “pretratamiento matemático de segunda derivada” hace que en el espectro se puedan identificar aquellas zonas en las cuales se da una variación de algún componente (ver Figura 5-2)..

(31) 21. Figura 5-1. Espectro de las muestras de calibración sin pretratamiento matemático.. Figura 5-2. Espectro de las muestras de calibración con pretratamiento matemático y ubicación de los grupos funcionales representativos de los compuestos de la biomasa..

(32) 22. El pretratamiento matemático de segunda derivada, además de ser una técnica de gran utilidad para análisis cualitativo y cuantitativo, reduce la señal de ruido causada por el tamaño de partícula (Brereton, 2007). Por lo tanto, el método aplicado en el espectro de las muestras es el apropiado para obtener un análisis eficiente de la composición de las muestras pretratadas.. El software VISION cuenta con una herramienta adicional la cual se encarga de aplicar el modelo de la regresión de mínimos cuadrados parciales (PLS) incluido el método de pretratamiento matemático de segunda derivada (ver Figura 5-3).. Figura 5-3. Elección del método PLS en el software VISION..

(33) 23. Por otro lado, el modelo PLS exige la aplicación de un modelo de validación con el cual se pueda garantizar un buen ajuste de la regresión con los datos. Esa validación se denomina como validación cruzada (ver Figura 5-4).. Figura 5-4. Propiedades de la regresión PLS. Entre ellas se escoge la de Cross Validation (Validación Cruzada). El método de validación cruzada selecciona una de las 17 muestras como “muestra de prueba”; mientras que las 16 restantes las toma como “muestras de entrenamiento”. De acuerdo a esto, el software aplica el modelo de la regresión PLS y muestra los resultados con respecto a la validación hecha. Posteriormente, se selecciona la “muestra 2” como muestra de prueba y la que antes se utilizó para tal propósito se devuelve al grupo de las muestras de entrenamiento. El procedimiento continúa de forma sucesiva hasta que se.

(34) 24. logre encontrar aquella validación que presente los valores más bajos de error estándar de calibración y de suma de cuadrados de predicción (PRESS), y con el valor de coeficiente de correlación (R2) más cercano a 1. El modelo del cual se excluye la muestra 14 es la que mejor cumple con dichas condiciones (ver Tabla 5-1).. Tabla 5-1. Resultados estadísticos de las pruebas de validación cruzada para elección de modelo predictivo de concentraciones. Muestra Validación 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17. Coef. Correlación 0,9981 0,9983 0,9982 0,9984 0,9979 0,9987 0,9986 0,9985 0,9983 0,9984 0,9986 0,9984 0,9985 0,9983 0,9995 0,9986 0,9982 0,9982. Error Std. Calibración 0,641 0,634 0,63 0,6342 0,6754 0,5888 0,6276 0,6432 0,6233 0,6378 0,6198 0,6315 0,6133 0,6425 0,3757 0,6072 0,6578 0,6265. PRESS. Factor. 11,42 11,67 11,37 9,48 12,019 9,979 13,42 10,709 12,22 11,67 9,202 12,64 10,98 12,63 6,769 10,24 12,59 11,81. 4 6 5 6 4 6 6 6 4 5 6 5 5 5 7 6 6 5. De acuerdo con la Figura 5-5, se puede observar una mayor dispersión de los valores residuales del modelo sin validación cruzada (gráfico a) comparado con el modelo escogido (calibración con muestra No. 14 como muestra de prueba) para la medición de concentraciones. Por lo tanto, el hecho de haber mayor dispersión en el gráfico a indica.

(35) 25. la presencia de un valor atípico en el modelo de la calibración; al ser retirada la muestra causante de dicha dispersión se observa una reducción en la distribución de los residuales (gráfico b).. Figura 5-5. Gráficos de valores residuales. a) Modelo sin validación cruzada. b) Modelo con validación cruzada descartando la muestra 14 del conjunto de “muestras de entrenamiento”.. Por otro lado, al comparar las gráficas de suma de cuadrados de predicción (PRESS) vs. el número de factores utilizados en el modelo (ver Figura 5-6), se puede observar que el modelo sin validación cruzada (gráfico a) cuenta con 4 factores con los cuales se garantice una reducción del error de predicción. Sin embargo, al descartar la muestra No. 14, se cuenta con tres factores adicionales (para un total de 7 factores) y una mayor reducción tanto en la variación sistemática de los espectros como en el error de predicción (gráfico b)..

(36) 26. a). b). Figura 5-6. Gráficos de PRESS vs. Número de factores. a) Modelo sin validación cruzada. b) Modelo con validación cruzada descartando la muestra 14 del conjunto de “muestras de entrenamiento”. Al ser definido el modelo predictivo de concentraciones, se leyeron las muestras de biomasa pretratadas de acuerdo al diseño experimental. En la Tabla 5-2 se muestra la composición de las muestras pretratadas obtenidas por el modelo predictivo..

(37) 27. Tabla 5-2. Resultados de composiciones de lignina y carbohidratos.. Etapa E. Etapa P. proceso E+P. proceso P+E. Muestra 1 2 3 4 A B C D 1A 1B 1C 1D 2A 2B 2C 2D 3A 3B 3C 3D 4A 4B 4C 4D A1 A2 A3 A4 B1 B2 B3 B4 C1 C2 C3 C4 D1 D2 D3 D4. T (K) 353,15 373,15 353,15 373,15 323,15 343,15 323,15 343,15 338,15 348,15 338,15 348,15 348,15 358,15 348,15 358,15 338,15 348,15 338,15 348,15 348,15 358,15 348,15 358,15 338,15 348,15 338,15 348,15 348,15 358,15 348,15 358,15 338,15 348,15 338,15 348,15 348,15 358,15 348,15 358,15. t (min) 120 120 240 240 30 30 60 60 150 150 180 180 150 150 180 180 270 270 300 300 270 270 300 300 150 150 270 270 150 150 270 270 180 180 300 300 180 180 300 300. % lig 75,4297 73,7762 70,1013 78,0541 110,2616 113,5162 109,5641 91,9443 89,5100 92,5586 93,1697 88,6151 96,8917 91,1857 94,3393 92,4284 91,5962 93,2781 94,2018 92,7070 87,6819 88,2632 82,0341 89,2877 89,6352 69,8162 92,8455 86,4020 88,7137 93,8284 83,1123 88,7134 88,3052 99,8646 93,9892 94,1283 89,0994 93,0900 87,7295 95,1875. % gluc 88,9404 86,1199 87,4475 89,6644 98,7458 99,7542 98,3512 99,3652 97,2419 99,4715 95,1881 94,3958 98,3276 98,4761 98,2671 99,6349 99,6574 97,2642 97,4268 95,3213 93,5725 96,0446 90,3054 92,8747 97,8755 96,6555 95,1225 97,2680 97,8311 93,4479 90,8367 98,1437 98,8089 99,2433 97,3383 99,3727 95,7378 99,7456 92,0118 99,3884. %xil 95,7505 94,6872 95,1877 96,0235 99,4472 99,8273 99,2984 99,6807 98,8802 99,7208 98,1059 97,8072 99,2895 99,3455 99,2667 99,7824 99,7908 98,8886 98,9499 98,1561 97,4969 98,4288 96,2651 97,2337 99,1190 98,6591 98,0812 98,8900 99,1023 97,4499 96,4654 99,2202 99,4709 99,6347 98,9165 99,6835 98,3132 99,8241 96,9084 99,6894.

(38) 28. 5.2 Desarrollo del modelo cinético. Por medio de la herramienta matemática MATLAB, se implementó el método de Levenberg-Marquardt (ver Apéndice) para minimizar la función correspondiente a la sumatoria de los residuales al cuadrado del modelo cinético planteado (ver Tabla 5-3) y finalmente evaluar los resultados experimentales de las concentraciones finales de los componentes de la biomasa.. Tabla 5-3. Parámetros calculados del modelo cinético para cada proceso de pretratamiento. Proceso E+P. P+E. Parámetros. Yij0 aif Eif ais Eis Yij0 aif Eif ais Eis. Lignina 0,223 26,4832 27,839 2,50E-03 120,89 0,32059 14818 112,58 0,040252 12,197. Glucosa 0,17142 1,50E+05 58,828 0,0083765 12,726 0,96263 14760 101,93 0,046932 4,7795. Xilosa 0,11697 1,53E+05 60,956 0,013723 16,937 0,23497 14783 94,945 0,00015691 2,3258. Las energías de activación de degradación rápida (Eif) en el proceso E+P presentan valores más altos para los carbohidratos que para la lignina, lo cual implica que éste último componente reacciona más rápido que los azúcares presentes en la biomasa. Sin embargo, al analizar la energía de activación de degradación lenta (Eis) en este mismo proceso, sucede lo contrario a lo que ocurre en la parte rápida del proceso de pretratamiento. Dado que la energía de activación de los carbohidratos es más baja que.

(39) 29. la de la lignina en una sección del proceso en donde la degradación de los componentes es lenta, probablemente se garantice por este fenómeno una pérdida de azúcares despreciable.. 5.3 Cálculo de selectividad de los procesos de pretratamiento. Tanto para el proceso P+E como para E+P, se calculó la selectividad de cada uno de los carbohidratos de acuerdo a los parámetros predichos para el modelo cinético por medio de las siguientes expresiones:. (6). (7). Estas ecuaciones expresan la selectividad como la relación entre la tasa de degradación de la lignina. con respecto a la de los azúcares. presentes en la muestra de. biomasa durante el proceso de pretratamiento.. En la Figura 5-7 se puede observar el efecto de la temperatura sobre los carbohidratos. La xilosa presenta mayor selectividad al haber aumento de la temperatura durante el.

(40) 30. proceso, además el rango de selectividad de este componente es mucho más corto (selectividad que oscila entre 7 y 9) con respecto al de la glucosa (rango que va desde 3 a 9), luego la xilosa tiende a degradarse en menor proporción con respecto a la glucosa.. 10. 9,5 9. 8. Selectividad Xilosa. Selectividad Glucosa. 9. 7 6 5. 4 3. 343 K. 8,5. 347 K. 8. 350 K 351 K. 7,5. 352 K. 7. 356 K. 2. 363 K. 6,5. 1. 0. 367 K. 6 0. 100. 200. 300. 370 K 0. Tiempo (min). 100. 200. 300. Tiempo (min). Figura 5-7. Selectividad de carbohidratos para el proceso P+E evaluada a distintas temperaturas.. En la Figura 5-8 vuelve a ser superior la selectividad de la xilosa con respecto a la glucosa. El valor de la selectividad de la xilosa en un tiempo igual a cero oscila entre 7.5 y 8.5; por otro lado, la glucosa presenta una selectividad baja que oscila entre 2.9 y 3.2. Comparando ambos procesos de pretratamiento de lignina, el proceso E+P tiende a causar mayor degradación de azúcares con respecto al proceso P+E debido a la pendiente tan pronunciada de las isotermas que se puede observar en la Figura 5-8..

(41) 31. 8,5. 3,2. 8 3. Selectividad Glucosa. Selectividad Xilosa. 7,5 7 6,5. 6 5,5 5. 343 K 2,8. 347 K 350 K. 2,6. 351 K 352 K. 2,4. 356 K. 363 K. 2,2. 367 K. 4,5 4. 370 K. 2 0. 100. 200. Tiempo (min). 300. 0. 100. 200. 300. Tiempo (min). Figura 5-8. Selectividad de carbohidratos para el proceso E+P evaluada a distintas temperaturas.. Con el fin de obtener un análisis más detallado del proceso, se evaluó la selectividad de cada una de las muestras correspondientes a los procesos E+P y P+E.. En la Figura 5-9 se puede observar mayor selectividad de glucosa al desarrollarse las pruebas de la forma P+E. El proceso invertido (E+P) no garantiza una buena selectividad de glucosa. Las barras más altas del proceso P+E (ver Figura 5-9) corresponden a aquellas muestras que se trabajaron en medio alcalino a 80ºC lo cual indica que a estas condiciones se garantiza la mayor selectividad de glucosa.. En la Figura 5-10, se puede observar altos valores de selectividad para la xilosa, sin embargo sigue siendo más eficiente el proceso P+E. De acuerdo a estos resultados, se.

(42) 32. sugiere desarrollar la etapa de oxidación P previa a la alcalina E ya que garantiza mayor. Selectividad Glucosa. selectividad de carbohidratos. 9 8 7 6 5 4 3 2 1 0. 1A. 1B. 1C. 1D. 2A. 2B. 2C. 2D. 3A. 3B. 3C. 3D. 4A. 4B. 4C. 4D. A1. B1. C1. D1. A2. B2. C2. D2. A3. B3. C3. D3. A4. B4. C4. D4. proceso E+P 2,5 2,5 2,5 2,4 2,2 2,1 2,3 2,0 2,0 2,0 1,9 1,9 1,4 1,5 1,3 1,4 proceso P+E 7,0 5,8 8,2 6,0 3,7 3,1 4,7 3,6 5,7 5,2 6,6 5,4 3,0 2,6 3,5. 3. Figura 5-9. Selectividad de la glucosa evaluada en las muestras pretratadas.. 9. Selectividad xilosa. 8 7 6 5 4 3 2 1 0. 1A. 1B. 1C. 1D. 2A. 2B. 2C. 2D. 3A. 3B. 3C. 3D. 4A. 4B. 4C. 4D. A1. B1. C1. D1. A2. B2. C2. D2. A3. B3. C3. D3. A4. B4. C4. D4. proceso E+P 6,6. 6,4. 6,5. 6,1. 5,6. 5,2. 5,7. 5,2. 5,1. 5,0. 5,1. 4,7. 3,3. 3,5. 3,1. 3,7. proceso P+E 6,9. 7,2. 6,6. 7,1. 7,8. 8,1. 7,3. 7,7. 6,8. 6,7. 6,5. 6,8. 7,5. 7,8. 7,1. 7,4. Figura 5-10. Selectividad de la xilosa evaluada en las muestras pretratadas..

(43) 33. VI. CONCLUSIONES. El método analítico por espectroscopía NIR fue eficiente en la obtención de las concentraciones de los constituyentes presentes en la biomasa. El tiempo de análisis de las muestras pretratadas fue menor con respecto al protocolo tradicional.. Por medio de los parámetros calculados del modelo cinético, se logró evaluar la selectividad de los carbohidratos. La xilosa presentó mayor grado de selectividad con respecto a la glucosa en los dos procesos de pretratamiento estudiados.. El proceso de pretratamiento que inicia con una etapa oxidativa seguida de una alcalina (P+E), generó mayor conservación de azúcares con respecto al proceso inverso (E+P)..

(44) 34. VII. RECOMENDACIONES Y TRABAJO A FUTURO. Se recomienda profundizar la investigación en las herramientas quimiométricas y/o estadísticas que ofrece el espectrofotómetro de infrarrojo cercano, enfocado en el análisis de muestras de origen orgánico como la biomasa.. La lectura efectiva de la composición de muestras sólidas o de material granulado en el espectrofotómetro NIR se cumple si se logra obtener el menor tamaño de partícula posible y que éste además sea de gran uniformidad con el fin de evitar señal de ruido en los espectros obtenidos.. Al finalizar los procesos de pretratamiento se cuenta con una fase líquida y otra sólida. Generalmente, en la fase sólida se encuentra la mayor parte de la lignina restante que no fue degradada. Así como en la fase sólida hay presencia de lignina, en la fase líquida se cuenta con una fracción de lignina solubilizada. Por lo tanto, al llevar a cabo una calibración con material pretratado, es necesario tener en cuenta la cantidad de lignina soluble que se obtiene al final del pretratamiento con el propósito de evitar cálculos erróneos en el análisis de composición de constituyentes lignocelulósicos.. Tener en cuenta el peso total de biomasa antes y después del proceso de pretratamiento dado que al llevarse a cabo el alistamiento final de material (neutralización, lavado y.

(45) 35. secado) se puede perder cierta cantidad de material, lo cual puede resultar en cálculos erróneos de concentraciones de lignina y carbohidratos..

(46) 36. REFERENCIAS. AF&PA Agenda 2020 Environmental Performance Task Group. (2006). High Selectivity Oxygen Delignification. Atlanta. Brereton, R. G. (2007). Applied Chemometrics for Scientists. Hoboken, NJ: John Wiley & Sons. Bura, S. E. (2010). Hydrothermal pretreatment of lignocellulosic biomass. Bioalcohol Production , 3-23. Christopher, B. (1996). Handbook of Pulping and Papermaking. Elsevier. Dyer, T., Lucia, L., & Ragauskas, A. (2000). Mini Oxygen Stages: More Delignification with Less Capital. Pulping/Process & Product Quality Conference. Atlanta: TAPPI Press. Otto, M. (1999). Chemometrics: Statistics and Computer Application in Analytical Chemistry. Weinheim: WILEY-VCH. Sainz, M. (2011). Commercial Cellulosic Ethanol: The Role of Plant-Expressed Enzymes. Biofuels, Global Impact on Renewable Energy, Production Agriculture, and Technological Advancements , 237-264. Serrano, L. (2009). Búsqueda de Parámetros para un modelo cinético de pretratamiento oxidativo de material lignocelulósico usando cal. Bogotá D.C, Colombia: Tesis, Departamento de Ingeniería Química. Universidad de los Andes. Sierra, R. (2010). Kinetic Modeling and Assessment of Lime Pretreatment of Poplar Wood. Dissertation. Texas A&M University . Sierra, R., Smith, A., Granda, C., & Holtzapple, M. (2010). Producing Fuels and Chemicals from Lignocellulosic Biomass. Chemical Engineering Progress , S10-S18. Sluiter, A., Hames, B., Ruiz, R., & Scarlata, C. (7 de Agosto de 2011). Determination of Structural Carbohydrates and Lignin in Biomass. National Renewable Energy Laboratory . Golden, Colorado, USA. Tsoutsos, T. (2010). Modelling hydrolysis and fermentation processes in lignocellulosesto-bioalcohol production. Bioalcohol Production. Biochemical Conversion of Lignocellulosic Biomass , 340 - 362..

(47) 37. APENDICE. Protocolo para determinación de carbohidratos y lignina en biomasa (Sluiter, Hames, Ruiz, & Scarlata, 2011)..  Análisis de Humedad • • • • •. Medición peso muestras. Secado a 105ºC por 24 horas. Desecador por 24 horas. Cálculo de % humedad relativa. No. Réplicas: 5..  Secado • •. 5 g de muestra en un horno a 45ºC por 48 horas. Análisis de humedad..  Hidrólisis Ácida • • • • • •. Mezclar 0.3 g biomasa con 3ml de H2SO4 72% p/p. Agitación de solución cada 5 min por 1 hora a 30ºC. Alistamiento de reactores con 54 ml de agua destilada. Las mezclas son sometidas a vortex y se agregan a los reactores. Hacer 3 enjuagues con 10 ml de agua destilada para obtener una solución de H2SO4 diluida al 4 % p/p. Reactores en el autoclave a 121ºC por 1 hora..  Filtración al vacío  Secado de masa filtrada •. Secar al horno a 45ºC por 1 día..  Desecador: 1 día..

(48) 38. Algoritmo para desarrollo del método de Levenberg-Marquardt. clc; clear all; 'MaxIter',100000000,... 'TolX',1e-3,... %default: 1e-4 'LevenbergMarquardt','on',... %default: on 'LargeScale','on',... %default: on 'MaxFunEvals',1E1000050,...; global data data=[ % 130 degrees %time Part pressure Lignin yield Temperature %110°C %110°C %Tiempo(min) H2O2 YL Temperatura %t (min) Fraccion lig T (K) %t (min) Fraccion gluc T (K) 120 0.957505132 353.15 120 0.946871979 373.15 240 0.951877124 353.15 240 0.960234724 373.15 30 0.994471717 323.15 30 0.998273279 343.15 60 0.992984197 323.15 60 0.996806858 343.15 150 0.988801874 338.15 150 0.997207738 348.15 180 0.981059291 338.15 180 0.978072301 348.15 150 0.992895018 348.15 150 0.993455031 358.15 180 0.992666986 348.15 180 0.99782362 358.15 270 0.997908453 338.15 270 0.98888597 348.15 300 0.989498877 338.15 300 0.981561461 348.15 270 0.974968506 348.15 270 0.984288061 358.15 300 0.962651347 348.15 300 0.972337436 358.15 150 0.99119048 338.15 150 0.986591152 348.15 270 0.980811669 338.15 270 0.988900223 348.15 150 0.991023278 348.15 150 0.974498721 358.15 270 0.964654418 348.15.

(49) 39. 270 180 180 300 300 180 180 300 300. 0.992201604 0.994709434 0.996347361 0.989165458 0.996835265 0.983131508 0.998240854 0.969084352 0.996894373. ]; data1=[ 0.957505132 0.946871979 0.951877124 0.960234724 0.994471717 0.998273279 0.992984197 0.996806858 0.988801874 0.997207738 0.981059291 0.978072301 0.992895018 0.993455031 0.992666986 0.99782362 0.997908453 0.98888597 0.989498877 0.981561461 0.974968506 0.984288061 0.962651347 0.972337436 0.99119048 0.986591152 0.980811669 0.988900223 0.991023278 0.974498721 0.964654418 0.992201604 0.994709434 0.996347361 0.989165458 0.996835265 0.983131508. 358.15 338.15 348.15 338.15 348.15 348.15 358.15 348.15 358.15. % experimental data.

(50) 40. 0.998240854 0.969084352 0.996894373. ]; t=data(:,1); Rexp=data(:,2); T=data(:,3); R=8.3144/1000; b0=[ %0.4 %6000 %49.31 %1 %30 %48.58 %1. %start values for parameters. 0.1961 147980 52.14 0.0024914 120.899. ];. %LB=[0,0,0,0,0,0,0,0,0,0,0]; %UB=[1,Inf,Inf,Inf,1,Inf,Inf,Inf,Inf,Inf,Inf]; LB=[0,0,0,0,0]; UB=[1,Inf,Inf,Inf,Inf]; plot(t,Rexp,'ro'); hold on. % plot the experimental data. % Two possible algoritms [b,resnorm]=lsqnonlin('recfun2',b0,LB,UB) % run the lsqnonlin with start value b0, returned parameter values stored in b [b,r,J,SIGMA]=nlinfit(data,data1,'recfun',b0) bci=nlparci(b,r,J).

(51) 41. newX = data(:,:); [YPRED, DELTA] = NLPREDCI('recfun',newX,b,r,'jacobian',J) % Several possible "best" models % Non-linear lignin %Rcal=((1/100.^(b(4)-1))+b(1)*exp(-b(2)/(8.314*T))*Po2.^b(3)*(b(4)1)*t).^(-1/(b(4)-1)); % Linear lignin - 2 stages - oxygen potential Rcal=b(1)*exp(-b(2).*exp(-b(3)./(R*T)).*t)+(1-b(1)).*exp(-b(4).*exp(b(5)./(R*T)).*t); % Linear lignin - 2 stages - oxygen ratio %Rcal=b(1)*exp(-b(2).*exp(-b(3)./(R*T)).*(Po2./(1+b(4).*Po2)).*t)+(1b(1)).*exp(-b(5).*exp(-b(6)./(R*T)).*(Po2./(1+b(7).*Po2)).*t); %Linear lignin - 3 stages - oxygen potential %Rcal=b(1)*exp(-b(2).*exp(-b(3)./(R*T)).*Po2.^b(4).*t)+(b(5)).*exp(b(6).*exp(-b(7)./(R*T)).*Po2.^b(8).*t)+(1-b(5)-b(1)).*exp(-b(9).*exp(b(10)./(R*T)).*Po2.^b(11).*t); %calculate the fitted value with parameter b and plot all plot(t,Rexp,'ro'); Hold on; plot(t,Rcal,'b'); % plot the fitted value on the same graph.

(52)

(53)

(54)

(55)

(56)