Show simple item record

Professor Advisordc.contributor.advisorSalgado Herrera, José
Authordc.contributor.authorPérez Ushijima, Tiffany Alexandra María
Associate professordc.contributor.otherGerdtzen Hakim, Ziomara
Associate professordc.contributor.otherMartínez Basterrechea, Irene
Admission datedc.date.accessioned2024-12-13T13:51:50Z
Available datedc.date.available2024-12-13T13:51:50Z
Publication datedc.date.issued2024
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/202267
Abstractdc.description.abstractEn los últimos años la industria a nivel global ha presentado innovación en términos de la implementación de tecnologías basadas en la Industria 4.0., incluyendo la inteligencia artificial y machine learning. Debido a lo anterior, la industria de bioprocesos ha presentado interés en la automatización de sus procesos, donde el uso de machine learning puede contribuir. En el presente trabajo se implementan tecnologías basadas en machine learning como Support Vector Machine (SVM) para predecir la tasa de crecimiento de un cultivo celular (µ), para luego implementerla en un sistema de control y obtener la estrategia de alimentación. Los datos experimentales fueron generados a partir de un modelo para células CHO disponible en literatura con el cual se puede simular diferentes escenarios para entrenar al predictor considerando diferentes intervalos de medición para asemejar la toma de datos experimentales. Los predictores diseñados presentan curvas y valores similares, obteniendo predicciones con un error cuadrático medio del orden de 1e−6 y coeficientes de correlación de 0.99 a partir de los conjuntos de datos proporcionados. Presentando mejores resultados para el caso en que se consideran variables como la glucosa, glutamina, lactato y amoniaco. La utilización de un controlador proporcional permite obtener un buen control del sistema, sin ser necesario emplear otros controladores de la familia PID. Por otro lado, casi todas las estrategias de alimentación obtenidas a partir del predictor, implementadas en el sistema permiten controlar la concentración de glucosa en un rango cercano al set point (11±1 mM) durante las primeras 120 horas del cultivo. Finalmente, se concluye que es posible desarrollar un predictor basado en una herramienta de machine learning, utilizando datos experimentales con intervalos de tiempo de 4, 12 y 24 horas. Sin embargo, el desempeño del predictor podría verse mejorado utilizando datos con presencia de ruido o con información faltante, como podría ocurrir en un caso real.es_ES
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
Títulodc.titleSistema de control basado en machine learning para cultivo celular en modo fed-batch considerando datos de un modelo cinético para el metabolismo central de carbonoes_ES
Document typedc.typeTesises_ES
dc.description.versiondc.description.versionVersión original del autores_ES
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorchbes_ES
Departmentuchile.departamentoDepartamento de Ingeniería Química, Biotecnología y Materialeses_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES
uchile.carrerauchile.carreraIngeniería Civil en Biotecnologíaes_ES
uchile.gradoacademicouchile.gradoacademicoLicenciadoes_ES
uchile.notadetesisuchile.notadetesisMemoria para optar al título de Ingeniera Civil Químicaes_ES


Files in this item

Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States