marco galardini
DESCRIPTION
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. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/1.jpg)
Marco Galardini 7 Giugno 2007
Soft Computing
![Page 2: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/2.jpg)
Biotecnologia industrialeI 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.
![Page 3: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/3.jpg)
Prodotti di fermentazione• Prodotti chimici (acido citrico)
• Alcol (etanolo)
• Additivi alimentari (aminoacidi)
• Antibiotici (penicillina)
• Prodotti farmaceutici (insulina)
• Enzimi (glucosio isomerasi)
• Cellule (lievito)
![Page 4: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/4.jpg)
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
![Page 5: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/5.jpg)
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.
![Page 6: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/6.jpg)
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.
![Page 7: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/7.jpg)
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.
![Page 8: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/8.jpg)
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
![Page 9: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/9.jpg)
Bubble columnEsempio:
In questo tipo di reattori bisogna misurare il diametro medio delle bolle per determinare se l’agitazione è corretta!
![Page 10: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/10.jpg)
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
![Page 11: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/11.jpg)
Mass transferEsempio:
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!)
![Page 12: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/12.jpg)
Modelli matematici per il fed-batchEsempio:
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
![Page 13: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/13.jpg)
• 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
![Page 14: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/14.jpg)
Artificial Neural networkL’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
![Page 15: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/15.jpg)
Artificial Neural networkE’ 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.
![Page 16: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/16.jpg)
Architettura del neural networkNetwork “recurrent” e “dynamic” (il network è capace di considerare
l’andamento temporale del processo)
Input primo blocco: feed-rate, volume
Output primo blocco: [O2]
Input secondo blocco: [O2], feed-rate, volume
Output secondo blocco: biomassa
![Page 17: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/17.jpg)
Funzione d’attivazionePesi Input del network Deviazione del neuroneOutput del second hidden layerOutput del first hidden layer
Gli altri due tipi di neuroni hanno lo stesso tipo di comportamento; l’ultimo produce come risultato la biomassa
Peso Deviazione del neurone
![Page 18: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/18.jpg)
Simulazione del processoPer 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
![Page 19: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/19.jpg)
Training del networkAlgoritmo 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 neuroneThird hidden layer: 10 neuroni
![Page 20: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/20.jpg)
![Page 21: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/21.jpg)
Predizione della biomassa
L’errore è massimo all’inizio del processo ma rimane sempre al di sotto dell’8%.
![Page 22: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/22.jpg)
Ottimizzazione del feed rateIl 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
![Page 23: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/23.jpg)
Algoritmi geneticiSfruttano 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
![Page 24: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/24.jpg)
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
![Page 25: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/25.jpg)
Ottimizzazione del feed rate
Modello
matematico
Modello
neural network
La quantità finale di biomassa è pressochè identica
![Page 26: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/26.jpg)
Verifica sperimentaleIl 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
![Page 27: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/27.jpg)
ConclusioniIl 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
![Page 28: Marco Galardini](https://reader036.vdocumenti.com/reader036/viewer/2022062518/56814c1a550346895db919eb/html5/thumbnails/28.jpg)
-Fine-