Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12104/91080
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Rodriguez Valenzuela, Guillermo | |
dc.date.accessioned | 2022-09-26T18:58:21Z | - |
dc.date.available | 2022-09-26T18:58:21Z | - |
dc.date.issued | 2022-06-23 | |
dc.identifier.uri | https://wdg.biblio.udg.mx | |
dc.identifier.uri | https://hdl.handle.net/20.500.12104/91080 | - |
dc.description.abstract | Las crecientes demandas energéticas de una población mundial en constante crecimiento han llevado a la búsqueda de fuentes alternativas de energía que se basen en recursos renovables. A su vez, se busca que la generación de dicha energía no produzca compuestos que sean dañinos para el medio ambiente como lo es el CO2; que es uno de los productos principales del uso de combustibles fósiles. Dos tipos de estos recursos renovables han despertado el interés por la comunidad científica en los últimos años se trata de los desechos orgánicos y la biomasa derivada de diferentes procesos. Los estudios sobre estos recursos como fuente de energía se han venido incrementando en los últimos años, ya que es bien conocido que a partir de estos desechos es posible obtener metano (Acosta y Abreu, 2005), biodiésel (Ramos Suárez, 2014), electricidad (Moon et al., 2006), e hidrógeno (Tartakovsky et al., 2009; Guo et al., 2010). En particular este último promete ser una de las mejores alternativas como combustible ambientalmente amigable debido a que su combustión sólo produce vapor de agua y además su proceso de producción por métodos biológicos es capaz de dar tratamiento a las aguas residuales y desechos agroindustriales, abordando así dos problemas ecológicos actuales (Rodríguez-Valenzuela, 2018). El gas hidrógeno tiene grandes ventajas respecto a otros combustibles, principalmente podemos destacar su poder calorífico que es mayor que el de cualquier otro combustible (141.7 MJ/kg comparado contra la gasolina, que sólo tiene 48.29 MJ/kg). Particularmente los intereses globales en el hidrógeno como un portador de energía limpia se mantienen debido a sus propiedades únicas y las altas eficiencias de las celdas de combustible de hidrógeno en la conversión de éste en electricidad (Hu et al., 2008). Sin embargo, algunos de los métodos de obtención industriales, en la actualidad aún dependen de combustibles fósiles; por ejemplo usando el método de reformado con vapor (Soria y Hurtado, 2007). De ahí el interés por los métodos biológicos como las celdas de electrólisis microbianas (MEC por sus siglas en inglés) y su capacidad para producir este valioso recurso, que, sin duda alguna, será el combustible del futuro. Los residuos orgánicos provenientes de aguas residuales o efluentes agroindustriales representan una fuente importante de esta energía renovable. Sin embargo, esta energía no puede ser recuperada por procesos químicos tradicionales porque la materia orgánica en los desechos tiene una composición compleja (Logan et al., 2006; Logan, 2008) y por lo tanto es necesario el uso de reactores biológicos. Desde finales del siglo pasado un tipo de proceso biológico llamado fermentación oscura (DF por sus siglas en inglés), es uno de los más prometedores entre los procesos biológicos para producir bio-hidrógeno (bioH2 en lo sucesivo). Este proceso básicamente consiste en inhibir a las poblaciones metanogénicas e hidrogenotróficas de otro proceso conocido como digestión anaerobia (AD por sus siglas en inglés), pero su eficiencia aún es de sólo 30-40 %. Así la electrohidrogénesis microbiana proporciona un enfoque completamente nuevo para la generación de hidrógeno a partir de aguas residuales (Cheng y Logan, 2007; Ditzing et al., 2007; Liu et al., 2005; Pinto et al., 2011a; Rozendal et al., 2006; Rozendal et al., 2007). El proceso MEC también tiene múltiples ventajas sobre el proceso DF, como una mayor recuperación de bioH2 y la 2 posibilidad de usar una mayor diversidad de sustratos con altos niveles de eficiencia (Hu et al., 2008), aunque recientemente se ha sugerido incluso combinar ambos procesos (DF y MEC) para lograr una máxima producción del bioH2 contenido en la materia orgánica (Marone et al., 2017). Esta tesis se enfocará sólo en los sistemas MEC. Básicamente una MEC combina las propiedades de una pila electroquímica para oxidar materia orgánica con ayuda de microorganismos y producir hidrógeno molecular. Los sistemas bio-electroquímicos (BES por sus siglas en inglés) en general representan una alternativa novedosa para la recuperación de energía e incluso metabolitos valiosos, donde se pueden emplear microorganismos para catalizar reacciones electroquímicas de oxidación-reducción. Las celdas electroquímicas microbianas, tales como celdas de combustible microbianas (MFC por sus siglas en inglés) y las MEC están entre tales sistemas bioelectroquímicos para producción de electricidad y bioH2, respectivamente (Cheng y Logan, 2007). Juntos, MFC y MEC podrían ser representados por el acrónimo MxC (Logan et al., 2008; Pinto et al., 2011a). Así una opción prometedora para extraer la energía de estos sistemas es este tipo de biorreactores diseñados para operar al mismo tiempo como sistemas electroquímicos. Particularmente en los sistemas MEC un tipo de bacterias referidas como exoelectrógenas oxidan un sustrato y liberan electrones en el ánodo. Entonces un pequeño voltaje (0.1–0.4 V) aplicado externamente en el circuito permite la producción de bioH2 en el cátodo a través de la reducción de protones (Scott y Yu, 2015). Teóricamente, la energía requerida para esta operación es sustancialmente inferior (hasta 10 veces menos) que los 1.2-1.3V utilizados para la producción de H2 mediante electrólisis tradicional del agua (Chang y Goldsby, 2013), y sin lugar a duda sustancialmente inferior a los valores reportados en la industria. La Figura 1 muestra una MEC en detalle. Aunque la electrólisis microbiana fue implementada hace sólo unos años, los rápidos desarrollos en esta tecnología han llevado a rendimientos de hidrógeno cercanos al 100% en el laboratorio. Los rendimientos energéticos son muchas veces mayores que el que es posible obtener por la electrólisis tradicional del agua, y han aumentado las tasas de producción de biogás (Logan et al., 2008). Por otro lado, en las últimas dos décadas ha habido un interés creciente en la aplicación de técnicas avanzadas de control al campo del tratamiento de aguas residuales, ya que los procesos involucrados requieren un monitoreo cuidadoso (Dochain y Vanrolleghem, 2001). Sin embargo, el control óptimo de los procesos de tratamiento de aguas residuales enfrenta importantes incertidumbres que surgen de la complejidad intrínseca del sistema (Alcaraz-González et al., 2005). Para poder producir H2 con esta tecnología, es necesario el estudio de tal sistema desde diferentes enfoques. Particularmente desde un punto de vista biológico y fisicoquímico se trata de un sistema bastante complejo, debido a los fenómenos que están presentes tales como, cinética microbiana, fenómenos de transporte, movilidad iónica, procesos de transferencia de electrones por los microorganismos (Reguera et al., 2005), condiciones operativas (Aelterman et al., 2008) y resistencia externa adecuada (Woodward et al., 2010). Una solución para los complejos problemas planteados por MxC es construir un modelo matemático que pueda ser utilizado para optimizar el diseño de MxC y las condiciones operativas, así como para maximizar la actividad microbiana anódica, y desarrollar estrategias de control de procesos. A pesar de su importancia, muy pocos modelos MFC se presentan en la literatura, mientras que una menor cantidad de modelos MEC están disponibles, algunos de los modelos encontrados en la literatura para MEC’s son: Alcaraz–Gonzalez et al., (2021); Azwar et al., (2013); Flores-Estrella et al., (2019); Pinto., et al., (2011a). 3 El problema del modelo presentado por Pinto et al., (2011a), y los posteriores modelos derivados de este mismo, es que para simular el conjunto de Ecuaciones Diferenciales Ordinarias (ODE por sus siglas en inglés) o sistemas de Ecuaciones Diferenciales Algebraicas (DAE por sus siglas en inglés), se necesita una gran cantidad de parámetros, que si bien aparecen en estos artículos la mayoría de ellos son reportados como “supuestos” o “asumidos”; y algunos de estos modelos son irreproducibles por simulación numérica. Recientemente ha sido propuesto un modelo por Alcaraz–Gonzalez et al., 2021, en el cual se basa este trabajo. Desde el punto de vista de ingeniería de control, la complejidad biológica asociada a tales procesos resulta en sistemas dinámicos descritos por modelos altamente no lineales, incertidumbres paramétricas, perturbaciones externas y falta de sensores adecuados, lo que revela la importancia de desarrollar modelos matemáticos adecuados y sobre todo con parámetros bien conocidos, así como consideraciones en cuanto a las limitaciones en número y calidad de las mediciones en línea (Bastin, 2013; Olsson et al., 2005). Por ello es necesario tener un modelo validado experimentalmente y con las pruebas estadísticas pertinentes, que permitan dicha validación, el modelo debe ser correctamente identificado desde el punto de vista paramétrico, y que desde luego sea adecuado para propósitos de simulación, control y optimización. | |
dc.description.tableofcontents | 1. Introducción.................................................................................................... 1 1.1 Motivación ..................................................................................................... 1 2. Antecedentes y Marco teórico ............................................................................... 4 2.1 H2 energía limpia y segura .................................................................................. 4 2.1.1 Contaminación por combustibles fósiles................................................................ 4 2.1.2 Crisis energética; una oportunidad para el H2 ...................................................... 6 2.2 Procesos de producción de H2 .............................................................................. 8 2.2.1 Obtención de H2 por combustibles fósiles............................................................ 11 2.2.2 Obtención de H2 a partir de agua ........................................................................ 11 2.2.3 Obtención de H2 a partir de Biomasa .................................................................. 14 2.2.3.1 Celdas electrolíticas microbianas ................................................................. 16 2.3 Modelos MEC ................................................................................................. 22 2.3.1 Modelo 1 (M1) ............................................................................................. 22 2.3.3 Modelo 2 (M2) ............................................................................................. 24 2.4 Estimación de parámetros en modelos MxC .............................................................. 28 3. Justificación .................................................................................................... 33 4. Hipótesis ........................................................................................................ 34 5. Objetivos ....................................................................................................... 36 5.1 Objetivo general............................................................................................. 37 Objetivos específicos ........................................................................................... 37 6. Metodología ................................................................................................... 38 6.1 Estimación paramétrica .................................................................................... 38 6.1.1 Método LSQ................................................................................................. 39 6.1.2 Método del Descenso más pronunciado............................................................... 41 6.1.3 Método de Gauss-Newton ............................................................................... 42 6.1.4 Método de Newton ........................................................................................ 43 6.1.5 Método de Levenberg-Marquardt ........................................................................ 44 6.2 Observadores de estado .................................................................................... 45 6.2.1 Observadores Asintóticos ................................................................................ 47 6.2.1.1 Observadores extendidos de Luenberger y Kalman ...................................... 47 6.2.1.2 Observador extendido de Luenberger ........................................................... 48 6.2.1.3 Observador extendido de Kalman ................................................................. 48 6.3.1 Observadores Asintóticos para la estimación de estados cuando las tasas de reacción son desconocidas. ........................................................................................... 49 6.4.1 Filtro extendido de Kalman para estimación en línea de tasas de reacción ....... 50 7. Análisis y Discusión de resultados .......................................................................... 53 7.1 Análisis para M1 .............................................................................................. 53 7.1.1 Evaluación del sistema estacionario .................................................................... 53 7.1.2 Estabilidad .................................................................................................. 60 7.1.3 Linealización del sistema ................................................................................ 64 7.1.4 Observador de estados ................................................................................... 70 7.1.4.1 Observador Asintótico ................................................................................... 70 7.1.4.2 Filtro Extendido de Kalman (EKF) ............................................................... 79 7.1.5 Estimación de YH2 ......................................................................................... 87 7.1.6 Adimensionalización de M1 ............................................................................... 97 7.1.7 Análisis de sensibilidad paramétrica ................................................................. 101 7.1.8 Protocolo para la estimación de parámetros cinéticos ..................................... 105 7.1.8.1 Estimación de μmax,a y KS,a ........................................................................ 105 7.1.8.2 Estimación de ka ....................................................................................... 111 7.1.8.3 Estimación de kd,a ................................................................................... 114 7.2 Análisis para M2 ............................................................................................. 117 7.2.1 Modificación de M2 (Obtención de DAEm) ....................................................... 117 7.2.1.1 Comparativa entre ambos modelos ............................................................. 120 7.2.2 Obtención de M3 ......................................................................................... 126 7.2.3 Estabilidad de M3 ........................................................................................ 132 7.2.4 Observador de estado.................................................................................... 138 7.2.4.1 Filtro Extendido de Kalman ........................................................................ 138 7.2.5 Adimensionalización de M3 ............................................................................ 152 7.2.6 Análisis de sensibilidad paramétrica ................................................................. 164 7.2.7 Protocolo de estimación de parámetros............................................................. 185 8. Conclusiones ................................................................................................. 189 9. Trabajo a futuro.............................................................................................. 192 10. Referencias ................................................................................................. 194 | |
dc.format | application/PDF | |
dc.language.iso | spa | |
dc.publisher | Biblioteca Digital wdg.biblio | |
dc.publisher | Universidad de Guadalajara | |
dc.rights.uri | https://www.riudg.udg.mx/info/politicas.jsp | |
dc.subject | Parametros | |
dc.subject | Celdas Electroliticas | |
dc.title | ESTIMACIÓN DE PARÁMETROS EN SISTEMAS DESCRIPTORES: APLICACIÓN A CELDAS ELECTROLÍTICAS MICROBIANAS PARA LA PRODUCCIÓN DE BIOHIDRÓGENO | |
dc.type | Tesis de Doctorado | |
dc.rights.holder | Universidad de Guadalajara | |
dc.rights.holder | Rodriguez Valenzuela, Guillermo | |
dc.coverage | GUADALAJARA, JALISCO | |
dc.type.conacyt | doctoralThesis | |
dc.degree.name | DOCTORADO EN CIENCIAS EN INGENIERIA QUIMICA | |
dc.degree.department | CUCEI | |
dc.degree.grantor | Universidad de Guadalajara | |
dc.rights.access | openAccess | |
dc.degree.creator | DOCTORADO EN CIENCIAS EN INGENIERO EN QUIMICA | |
dc.contributor.director | Alcaraz González, Víctor | |
dc.contributor.codirector | Flores Estrella, Rene Alejandro | |
Aparece en las colecciones: | CUCEI |
Ficheros en este ítem:
Fichero | Tamaño | Formato | |
---|---|---|---|
DCUCEI10100FT.pdf | 9.77 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.