CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Desarrollo de un modelo sustituto de la fermentación a escala industrial para la producción de penicilina basado en algoritmos de machine learning

Estudiant que ha llegit aquest projecte:

Tutor/Cotutor: HERNANDEZ YAÑEZ, EDUARD

Departament: DEAB

Títol: Desarrollo de un modelo sustituto de la fermentación a escala industrial para la producción de penicilina basado en algoritmos de machine learning

Data inici oferta: 06-02-2023      Data finalització oferta: 06-10-2023

Estudis d'assignació del projecte:
    MU TECH4AGRI+FOOD

Lloc de realització:

UPC      Departament/centre: DEAB-ENG.QUIMICA

Segon tutor (UPC): ESPUÑA CAMARASA, ANTONIO

Paraules clau:
Fermentación, metamodelos, penicilina, machine learning, modelos sustitutos.

Descripció del contingut i pla d'activitats:
La ingenieria de bioprocesos se ha esforzado durante muchos años
para producir modelos precisos que describan el comportamiento
del proceso de fermentación. La fuerza impulsora detrás de esto
es que una vez que se construye un modelo representativo, se
puede utilizar en la estimación y predicción del rendimiento, la
mejora de las condiciones de trabajo, la programación de la
producción, el diagnóstico de fallos, etc.
Para lograr una operación de alto rendimiento, la optimización de
los factores que influyen en el proceso de fermentación se
convierte en una tarea importante. Por tanto en este trabajo se
propone explotar el uso de "metamodelos probablemente "kriging" y
su eventual combinación con modelos basados en primeros
principios (modelos híbridos) para la optimización (probablemente
a través del método denominado "expected improvement" -
optimización bayesiana).

Overview (resum en anglès): In this work, the use of a methodology for applying machine learning algorithms applied to bioprocesses is exposed to emulate their operation using substitute models that are simpler but more precise than the original mechanical model, as a case study the production was used Fed-batch of penicillin on an industrial scale.
Methodologies are presented to explore the independent variables that affect the objective function, design and analysis of computer experiments to generate the data set, surrogate models, clustering techniques to identify groups of data with similar "characteristics" and classification techniques.
After the application of these methodologies and techniques, the different prediction, clustering and classification models are built, which together constitute the process modeling tool and which helps in making decisions about it.

© CBLTIC Campus del Baix Llobregat - UPC