Análisis de los procesos de producción de bio...

Seminario grupo biocombustibles

Análisis de los procesos de producción de bio-combustibles y bio-productos de alto valor

agregado a través del uso sistemático de modelos matemáticos

Ricardo Morales RodríguezDepartamento de Ingeniería de Procesos e Hidráulica, Universidad Autónoma Metropolitana-

Iztapalapa, Av. San Rafael Atlixco 186, C.P. 09340, México, D.F., México


Contenido

• Introducción

• Objetivo

• Marco conceptual para el modelado de biocombustibles y bioproductos

• Evaluación de diferentes configuraciones para la producción de bioetanolde segunda generación

• Marco conceptual para la optimización de bioprocesos bajoincertidumbre: Producción de bioetanol

• Producción de bioetanol y xilitol bajo un esquema de una biorefinería

• ¿Qué más se ha hecho?

• Conclusión

• Bibliografía

2


Introducción

3

Los biocombustibles y los bioproductos de alto valor agregado han ganadoespecial atención por la comunidad científica e industrial.

Los problemas de cambios climático se han convertido en uno de los principalesretos en la actualidad –> encontrar nuevas alternativas verdes y renovablespara la producción de energía.

Las proyecciones predicen una gran disminución en las reservas de crudo para elaño 2075. Además de la concentración focalizada de reservas y lasfluctuaciones de los precios en el mercado internacional

Demirbas (2009).


Introducción

• Legislación internacional

– Protocolo de Kioto

– Comisión Europea

– EPA

• Ley General de Cambio Climático:

– Art 82.III: “desarrollo de energías renovables y bioenergéticos desegunda generación”

4Prospectiva de Energías Renovables 2013-2026 (2012).


Introducción

• ¿Tenemos la capacidad para producirbiocombustibles de segunda generación?

• 2012

– 44,125,570 Ton de caña de azúcar

– 5,145,331 Ton Producción de Azúcar

– 38,980,239 Ton de residuos para producción de bioetanolde segunda generación –> Producción de E10 de unporcentaje alto de gasolina premium que se produceactualmente.

5

Estimado Zafra 2012 (2012).


Introducción

6

Proceso de producción:

• Ruta biológica:•Enzimas•Microorganismos

• Ruta química

Materia prima: biomasa residual

•Biocombustibles:

bioetanol,biohidrógeno,biobutanol,biometanol,biodiesel, etc.

•Productos de altovalor agregado:Alcoholes (xilitol,sorbitol, etc.),furfurales, ácidopoliláctico,aldehídos, etc.) .


Introducción

• El diseño y extensión de losprocesos de producción –>experimentación la cual puedeser costosa en términoseconómicos y de tiempo.

• Una de las alternativas es el usode modelos matemáticos de unamanera sistemática para laevaluación de la viabilidadtécnica y la factibilidadeconómica de los procesos deproducción

7

Modelado/simulación

Experimentación


Objetivo

Mostrar los avances y resultados en los casos de estudio de producción de bioetanol y xilitol de

segunda generación, obtenidos a través del uso sistemático de modelos matemáticos.

8

Seminario grupo biocombustibles9

Marco conceptual para el modelado de biocombustibles y bioproductos

Colección/ Análisis (e.g.datos, modelos)

Identificación(e.g. Cinética de procesos

enzimáticos)

Innovación, diseño y simulación

(Integración de los modelos)

Validación

(Escala pilóto)

Fase 1

Fase 2

Identificación de modelos matemáticosdinámicos para representar lassecciones de proceso.

Formular la estructura del modelo de la planta, vinculando losmodelos matemáticos de cada una de las operacionesunitarias y simular las diferentes configuraciones de procesopropuestas.

Seminario grupo biocombustibles 10

Evaluación de Diferentes Configuraciones para la Producción de Bioetanol de

Segunda Generación

Morales-Rodriguez, R., Meyer, A.S., Gernaey, K.V. and Sin, G. (2011). “Dynamic Model-Based Evaluation of Process Configurations for Integrated Operation of Hydrolysis and Co-Fermentation for Bioethanol Production from Lignocellulose”. Bioresource Technology (ISSN: 0960-8524), 102, 1174-1184.

Pretreatment

Enzymatic

hydrolysis

Ethanol

Distillation

Co-Fermentati

on

Lignin

Cellulases

Yeast


Fase 1: Colección, Análisis e Identificación

11

PretratamientoHidrólisis

Enzimática

Etanol

PurificaciónCo-Fermentación

Lignina

Celulasas Microorganismos

+ Lavarack, et al. (2001). + Kadam, et al. (2004). + Krishnan, M. et al. (1999)

Secarificación y co-fermentación simultanea (SSCF)

+ Morales-Rodriguez et al. (2011).

Colección/ Analálisis (e.g. datos, modelos)

Identificación(e.g. Cinética de procesos

enzimáticos)


FB-FB

12 24 36 48 60 72 84 96 108 120 132 144 156 168Reactor 1

Reactor 2

Reactor 3

Reactor 4

Reactor 5

Reactor 1

Hydrolysis Fermentation

Loading Horizontal stripes Vertical stripes

Reaction Dots Diagonal stripes

Drawing Vertical stripes Horizontal crosshatch

Selección del caso base:


Dynamic Lignocelulosic bioethanol framework (DLB 1.0)

13

Escenarios de Operación Acrónimo

SHCF

1) H: Semi-continuo – CF: Semi-continuo FB-FB

2) H: Semi-continuo – CF: Continuo FB-C

3) H: Semi-continuo – CF: Continuo-recirculación FB-C_RECY

4) H: Continuo – CF: Semi-continuo C-FB

5) H: Continuo – CF: Continuo C-C

6 H: Continuo – CF: Continuo-recirculación C-C_RECY

7) H: Continuo-recirculación – CF: Semi-continuo C_RECY-FB

8) H: Continuo-recirculación – CF: Continuo C_RECY-C

9) H: Continuo-recirculación – CF: Continuo-recirculación C_RECY-C_RECY

SSCF

10) Semi-continuo SSCF-FB

11) Continuo SSCF-C

12) Semi-continuo SSCF-C_RECY

H: Hidrólisis enzimática, CF: Co-Fermentación

Etanol/DM

0.10

0.10

0.13

0.09

0.11

0.11

0.10

0.14

0.16

0.13

0.12

0.18

/ sec

Total Etanol producido

Total Biomasa seca alimentadaEt biomasa aR

SSCF-C_RECY

C_RECY-C_RECY

C_RECY-C

Innovación, diseño y simulación

(Integración de los modelos)


Resultados Obtenidos

• 12 configuraciones de proceso para la producción deetanol a partir de materiales lignocelulósicos fueronpropuestos, modelados y analizados.

– Las corrientes de reciclado de reactivos no convertidomostró un efecto positivo en el rendimiento de etanol.

– La mejor configuración de proceso fue SSCF conrecirculación operando en continuo.

– El rendimiento máximo de etanol obtenido fue de 0.18 kg-etanol/kg-materia seca. Esto significa una mejora de laconfiguración propuesto por NREL.

14


Extensión del DLB 1.0

15

Enzymatic

Hydrolysis

Pretreatment

Solid-Liquid

Separator

Mixer

Downstream

Processes

Co-Fermentation

Tin = 25°C TPT TPT

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

Heat

Exchanger

Heat

Exchanger

Heat

Exchanger

TEH

TEH

TBubble Point

TCFTCF

TCF

TCF

TCF

TCF

TCF

Molecular

SieveEnzymatic

Hydrolysis

Pretreatment

Solid-Liquid

Separator

Mixer

Downstream

Processes

Co-Fermentation

SettlerMixer

Tin = 25°C TPT TPT

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH TCF

Heat

Exchanger

Heat

Exchanger

Heat

Exchanger

TEH TCF

TEH TCF

TBubble point

TCFTCFTCF

TCF

TCF

TCF

TCF

TCF

TCF

TCF

Molecular

Sieve

SSCF

Pretreatment

Solid-Liquid

Separator

Downstream

Processes

Tin = 25°C TPT

Heat

Exchanger

TPT TSSCF

Heat

ExchangerTSSCF TBubble Point

TSSCF

TSSCF

TSSCF TSSCF

TSSCF

TSSCF

Heat

Exchanger

Molecular

Sieve SSCF

Pretreatment

Solid- Liquid

SeparatorMixer

Downstream

Processes

Tin = 25°C TPT

Heat

Exchanger

TPT TSSCF

Heat

ExchangerTSSCF

T Bubble Point

TSSCF

TSSCF

TSSCF TSSCF

TSSCF

TSSCF

Molecular

Sieve

0

0.5

1

1.5

2

2.5

USD

/ga

l-Et

ha

no

l

Extensión del DLB 1.0:

-Intercambiadores de calor-Columnas de destilación



• La extensión del DLB 1.0 comprendió la adición de los procesos depurificación de bioetanol y equipos de intercambio de calor.

• La mejor configuración de proceso fue la SSCF-C con un costo deproducción de 1.71 USD/gal-etanol.

• La extensión de la plataforma de modelado (DLB 1.0) permitirá tener unaidea clara acerca de la factibilidad de alguna configuración de proceso enparticular.

16


Marco conceptual para la optimización de bioprocesos bajo incertidumbre:

Producción de bioetanol

Morales-Rodriguez, R., Meyer, A.S., Gernaey, K.V. & Sin, G. (2012a). “A Framework for Model-Based Optimization of Bioprocesses under Uncertainty: Lignocellulosic Ethanol Production Case”. Computers and Chemical Engineering (ISSN: 0098-1354), 42, 115-129.

0 50 100 150 200 250-3

-2

-1

0

1

2

3

Monte Carlo Simulation index

Man

ufa

ctu

rin

g C

ost

US

D/g

al E

tOH

R2 = 0.85 original model outputs

linear model outputs

1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

10

20

30

40

50

60

70

Manufacturing Cost, USD/gal EtOH

Nu

mb

er

of

Ocu

rre

nc

es

1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Manufacturing Cost, USD/gal-Ethanol

Cu

mu

lati

ve

Pro

ba

bilit

y


Objetivo del estudio:

Desarrollo de una metodología sistemática para resolver problemas de optimización en bioprocesos sujetos a

diversas fuentes de incertidumbre.

Caso de estudio: producción de bioetanol de segunda generación


Configuraciones de proceso analizadas

SSCF

Pretreatment

Solid-Liquid

Separator

Mixer

Downstream

Processes

SSCF-C_RECY

Enzymatic

Hydrolysis

Pretreatment

Solid-Liquid

Separator

Mixer

Downstream

Processes

Fermentation

Settler

Mixer

C_RECY-C_RECYEscenarios de Operación Acrónimo

SHCF

1) H: Semi-continuo – CF: Semi-continuo FB-FB

2) H: Semi-continuo – CF: Continuo FB-C

3) H: Semi-continuo – CF: Continuo-recirculación FB-C_RECY

4) H: Continuo – CF: Semi-continuo C-FB

5) H: Continuo – CF: Continuo C-C

6 H: Continuo – CF: Continuo-recirculación C-C_RECY

7) H: Continuo-recirculación – CF: Semi-continuo C_RECY-FB

8) H: Continuo-recirculación – CF: Continuo C_RECY-C

9) H: Continuo-recirculación – CF: Continuo-recirculación C_RECY-C_RECY

SSCF

10) Semi-continuo SSCF-FB

11) Continuo SSCF-C

12) Semi-continuo SSCF-C_RECY

H: Hidrólisis enzimática, CF: Co-Fermentación

Etanol/DM

0.10

0.10

0.13

0.09

0.11

0.11

0.10

0.14

0.16

0.13

0.12

0.18


Marco conceptual para la optimización estocástica de bioprocesos

1. Objetivos y Necesidades

3. Mapeo e identificación de fuentes significativas de incertidumbres

Implementación!

No

4. Optimización bajo incertidumbre

5. Validación de las condiciones de operación óptimas

¿Objetivos alcanzados?

2. Modelado y configuraciones de proceso

Este estudio se enfocó en la Identificación de fuentes de incertidumbre y

optimización bajo un esquema de incertidumbre!

Si

Comentarios

Configuraciones de proceso para la producciónde bioetanol de segunda generaciónpreviamente desarrollados

Identificar los límites operacionales con el fin de disminuir costos de operación

Análisis de incertidumbre (Simulación de Monte-Carlo), Análisis de sensibilidad (descomposiciónde la varianza, SRC, …)

Simulación de Monte-Carlo

Revisión experimental de las configuracionesoptimas de proceso

Resultados

Definición de la función objetivo a evaluar

Modelos matemáticos de las configuraciones de procesos

Lista de fuentes significativas de incertidumbres

Variables de operaciónoptimas/incertidumbresconsideradas

Verificación experimental a escalapiloto, demostración, etc. de lascondiciones óptimas encontradas


1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 20

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Manufacturing Cost, USD/gal-Ethanol

Cu

mu

lati

ve P

rob

ab

ilit

y

21

3. Mapeo e identificación de fuentes significativas de incertidumbre

2 4 6 8 100

0.2

0.4

0.6

0.8

2 4 6 8 100

0.5

1

7 8 9 10 11 12 130

5

10

15

20

25

2 4 6 8 100

0.2

0.4

0.6

0.8

Modelof(qn)

q1 q2

0 5 100

0.2

0.4

0.6

0.8

qn

y1 y2 yn

Confiabilidad = 90.% 10.8 ± 0.08

I. Introducción de la incertidumbre

II. Muestreo aleatorio

III. Simulación de Monte Carlo

IV. Análisis de incertidumbre

3.1 Análisis de incertidumbre (Procedimiento de Monte-Carlo)

SSCF-C. Incertidumbre en el costo de producción

Varianza: medición de la incertidumbre

s2 =0.017(s = 0.13)

Función de distribución acumuladaHistograma

Mean

90%

10%1.3 1.4 1.5 1.6 1.7 1.8 1.9 2

0

10

20

30

40

50

60

70

Manufacturing Cost, USD/gal EtOH

Nu

mb

er

of

Ocu

rren

ces



reg i ii

y a b q i

i i

y

bqs

s

Ajuste de los resultados de las simulaciones de monte carlo a un modelo lineal

Standaridized Regression Coefficient (SRC)

Modelo linealizado para el costo de producción..

0 50 100 150 200 250-3

-2

-1

0

1

2

3

Monte Carlo Simulation index

Man

ufa

ctu

rin

g C

ost

US

D/g

al E

tOH

R2 = 0.85 original model outputs

linear model outputs

3.2 Análisis de sensibilidad(SRC)

Parámetros identificados para la configuración SSCF-C basado en el costo de producción

Rank q SRC Section

1 /GEt GY 0.99 SSCF

2 1 G

CF

X IGK -0.99 SSCF

3 2 Xy

CF

X IXyK -0.94 SSCF

4 /XyEt XyY -0.90 SSCF

5 3

EH

IXyK 0.60 SSCF

6 1,

PT

GEa 0.47 PT

7 GnC -0.44 FS

8 2

EH

IXyK 0.30 SSCF

9 3

EH

IGK -0.26 SSCF

10 5'CF

IGK

0.21 SSCF

De los 80 parámetros, sólo 19 de ellos son realmente significativos..!!.

Principalmente relacionados con la parámetros cinéticos de la sección de sacarificación y co-fermentación simultanea así como

el pretratamiento y la composición de la biomasa seca



4. Optimización bajo un escenario de incertidumbre (PNL Estocástica)

min

.

0

T

x

l

LB UB

Z x c

st

x E f x,θ

h x,θ

g x,θ b

θ θ θ

min , , ,

,

q q q q

q

FS UT ADDx

ETOH

Z x c Materia-prima +c Servicios x +c Aditivos x -

USDc Etanol x

gal Etanol

Formulación del problema de optimización bajo

incertidumbre (PNLE)

Obj es minimizar el costo de producción

cETOH = costo por kg of etanol, cFS = costo de materia prima consumidacUT = costo de servicios consumidoscADD = costo de aditivos consumidos

.

.Muestreo aleatorio de las condiciones de operación tentativamente optimas

Muestreo aleatorio de parámetros identificados en el análisis de incertidumbre y sensibilidad

For i=1:Numero de muestras aleatoria de condiciones de operación

For j=1:Número de muestras aleatorias de parámetros identificados

Obj1(j) = función objetivo(thetaj) s.t. F(thetaj) & desigualdades e igualdades

End

Obj2 (i)= promedio(Obj1); End

.

.

Numero muestras aleatorias de las condiciones de operación = 100Número muestras aleatorias de parámetros identificados = 150Simulaciones de Monte-Carlo= 100x150 = 15,000

Algoritmo para la solución del problema deOptimización utilizando la metodología deMonte-Carlo

4. Optimización bajo incertidumbre CAcid TPT TSSCF EL1 EL2 Cyeast %H2O

%(wt/v) °C °C mg-Enz/g-cellulose g/L -

UB 0.55 140 17.5 20 20 4.7 0.4

LB 1.65 175 35 60 60 14.2 0.6

Rango de las variables de operación


costo de producción, USD/gal Diferencia con respecto al caso base

Escenario

ID5% CI media 95% CI

varianza

s2

% Dif

(5% CI)

% Dif

(media)

% Dif

(95% CI)

Caso base 1.36 1.56 1.82 0.017 - - -

67 1.27 1.48 1.66 0.012 6.33 5.30 8.67

45 1.31 1.47 1.69 0.013 3.45 6.23 6.87

40 1.28 1.48 1.70 0.015 6.06 5.15 6.25

87 1.38 1.57 1.75 0.012 -1.42 -0.39 3.55

70 1.42 1.58 1.79 0.015 -4.09 -1.28 1.41

80 1.39 1.56 1.79 0.016 -2.10 0.47 1.39

7 1.36 1.57 1.81 0.020 -0.31 -0.10 0.23

CÁcido TPT TSSCF EL1 EL2 Clevadura %H2O Costo de producción%(wt/v) °C °C mg-Enz/g-celulosa g/L - USD/gal-EtOH

Caso base 1.1 170 35 40 40 9.5 0.5 1.56

Óptimo 0.78 142 33 31 34 13.6 0.46 1.48

UB 0.55 140 17.5 20 20 4.7 0.4 -

LB 1.65 175 35 60 60 14.2 0.6 -

Los Resultados de la optimización para los diferentes escenarios de operación están ordenados de acuerdo a la media y el intervalo de confianza (95%, el cual indica la incertidumbre) de la función objetivo

Escenario optimo de operación

4. Optimización bajo un escenario de incertidumbre (PNL Estocástica)


Resultados de la optimización bajo incertidumbre

Mejora en el proceso..!!

Configuración Aditivos % de reducción con respecto al caso base

SSCF-C Acido utilizado -29

SSCF-C_RECY Enzima utilizada -39

SHCF doble recirculación Enzima utilizada -26

Configuraciones 5% CI media 95% CI% Dif.

(5% CI)% Dif.

(media)% Dif.

(95% CI)

SSCF C-RECY 1.13 1.29 1.43 17.83% 23.62% 26.63%

SHCF doble recirculación 1.36 1.54 1.71 13.06% 21.32% 24.62%

SHCF una recirculación 1.62 1.74 1.87 7.90% 20.79% 28.35%

CAcid TPT TSSCF/ *TEH

EL1 EL2 Cyeast %H2O PC,D1 PR,D1 PC,D2 PR,D2

%(wt/v) °C °C mg-Enz/g-cellulose g/L - atm atm atm atm

Base case 1.1 170 35 40 40 9.5 0.5 1.86 1.88 1.8 1.86

SSCF-C_RECY 1.43 164 21 27.8 20.2 7.9 0.41 1.83 2 1.36 1.63

SHCF with double recycle 0.97 159 54 24.7 33.8 13.9 0.47 1.48 1.87 1.55 2.15

SHCF with single recycle 0.67 143 51 34.9 43.5 7.1 0.41 1.66 2.28 1.52 1.56


Resultados obtenidos

• Propuesta de un marco conceptual para el análisis de lasincertidumbres en procesos de producción debiocombustibles y bioproductos.

• Determinación de las incertidumbres en las distintas etapasde los procesos de producción de bioetanol de 2G.

• Optimización de las condiciones de operación bajo unesquema de incertidumbre.

• Los análisis de incertidumbre pueden ayudar a identificar losparámetros de mayor importancia de un modelo matemáticoque describen un fenómeno o proceso.

26


Otros casos de estudio

27


Otros casos de estudio

• 40 combinaciones decondiciones iniciales,concentración deinhibidores y enzimas, etc.

• Se propusieron 6 modelosmatemáticos

28


Producción de bioetanol y xilitol bajo un esquema de una biorefinería

Ricardo Morales-Rodriguez, Divanery Rodriguez-Gomez, José Antonio de los Reyes-Heredia, Eduardo Salvador Perez-Cisneros . DynamicModel-Based Evaluation of Process Configurations: Integrated Operation for Bioethanol and Xylitol Production from Lignocellulose. En procesode envío. Bioresource Technology.



30

Enzymatic

Hydrolysis

Pretreatment

Solid-Liquid

Separator

Mixer

Downstream

Processes

Co-Fermentation

Tin = 25°C TPT TPT

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

Heat

Exchanger

Heat

Exchanger

Heat

Exchanger

TEH

TEH

TBubble Point

TCFTCF

TCF

TCF

TCF

TCF

TCF

Molecular

Sieve

Enzymatic

Hydrolysis

Pretreatment

Solid-Liquid

Separator

Mixer

Downstream

Processes

Co-Fermentation

SettlerMixer

Tin = 25°C TPT TPT

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH

TEH TCF

Heat

Exchanger

Heat

Exchanger

Heat

Exchanger

TEH TCF

TEH TCF

TBubble point

TCFTCFTCF

TCF

TCF

TCF

TCF

TCF

TCF

TCF

Molecular

Sieve

SSCF

Pretreatment

Solid-Liquid

Separator

Downstream

Processes

Tin = 25°C TPT

Heat

Exchanger

TPT TSSCF

Heat

ExchangerTSSCF TBubble Point

TSSCF

TSSCF

TSSCF TSSCF

TSSCF

TSSCF

Heat

Exchanger

Molecular

Sieve SSCF

Pretreatment

Solid- Liquid

SeparatorMixer

Downstream

Processes

Tin = 25°C TPT

Heat

Exchanger

TPT TSSCF

Heat

ExchangerTSSCF

T Bubble Point

TSSCF

TSSCF

TSSCF TSSCF

TSSCF

TSSCF

Molecular

Sieve

¿Es posible producir algún otro bioproducto?


Objetivo del estudio

Extender la plataforma computacional del DLB 1.0 con la adición de proceso de conversión de xilosa a xilitol para evaluar la factibilidad tecnológica y económica basado en el uso de

modelos matemáticos.


Ruta metabólica y modelo matemático para la producción de xilitol

• Una vez que la xilosa está dentro de la célula, esta es reducida a xilitol.

• Parte de la xilosa es excretada de la célula como xilitol y otra parte es xilulosa para consumo y reproducción de la célula

• La glucosa (azúcar de fácil metabolización por le microorganismo) puede ser usada para producir energía y biomasa,reduciendo el consumo de xilitol dentro de la célula.

• Altas concentraciones de glucosa pueden inhibir el transporte de xilosa dentro de la célula.

32

Tochampa et al., (2005)


Hacia una configuración de biorefinería: adición de la sección de producción de xilitol para extender la plataforma computacional de DLB 1.0

• La producción de xilitol a través de levaduras puede ser afectada pordiversos factores como: condiciones del cultivo, concentración inicial dexilosa y la presencia de inhibidores (e.g. glucosa, ácido acético, furfurales,etc.) producidos en el proceso de hidrólisis.

• Los efectos de inhibición de etanol sobre el género Candida no han sidocompletamente estudiados y no se encuentra información disponibleacerca de éstos.

33

Por seguridad del diseño del proceso, la sección de producción de xilitol fue adicionada después que el etanol es eliminado de las corrientes de proceso.

¿En qué parte del proceso debemos adicionar la sección de producción de xilitol?


Hacia una configuración de biorefinería: adición de la sección de producción de xilitol para extender la plataforma computacional de DLB 1.0

34

C_RECY-C

C_RECY-C-RECY

SSCF-C

C_RECY-C-RECY

Implementación: MatLab


Configuración de proceso

Costo de producción para

el bioetanol, USD/gal-etanol

Costo de producción para

el xilitol, USD/gal-xilitol

% de diferencia en las ganancias por

producción de etanol comparado

con la configuraciónSSCF -C

% de diferencia en las ganancias por

producción de xilitol comparado con la

configuración SSCF -C

% de diferencia en las ganancia

total comparado con la

configuraciónSSCF -C

C_RECY-C 2.42 0.0078 -90.4% 20.9% -44.4%

C_RECY-C_RECY 2.15 0.0078 -49.8% 20.3% -20.8%

SSCF-C 1.53 0.0054 - - -

SSCF-C_RECY 1.71 0.0077 29.9% 18.4% 25.1%

COMPARACIÓN ENTRE CONFIGURACIONES DE PROCESO

• C_RECY-C – SSCF-C: la ganancia por producción de xilitol es 20.9% mayor para C_RECY-C, pero el costo de producciónde etanol fue 58.2% más alto que la configuración de proceso. La ganancia total fue 44.4 % menor en C_RECY-C que enSSCF-C.

• C_RECY-C_RECY – SSCF-C: Los resultados para xilitol fueron similares a los anteriores, pero el costo de producción deetanol fue 1.4 veces mayor y la ganancia total fue 20.8% menor comparada con SSCF-C.

• SSCF-C_RECY – SSCF-C: La ganancia potencial de xilitol para SSCF-C_RECY fue 1.84 mayor con respecto a laconfiguración de referencia y la variación para el costo de producción de bioetanol fue 11.8% más cara para SSCF-C_RECY, pero la ganancia potencial total para etanol y xilitol fue 25.1% mayor para SSCF-C_RECY debido a lascantidades de producto obtenido.


Resultados obtenidos

• Este estudio presentó la adición de la sección dexilitol a la versión extendida de la plataforma DLB 1.0plataforma de modelado de una biorefinería.

• Se llevó a cabo un análisis detallado de la gananciatotal, donde la mejor configuración de proceso fuecuando se combinaba en la configuración SSCF-C_RECY con un ganancia 25.1% mayor a la del casode referencia SSCF-C.

36


• Implementación de estrategias de control:

– Producción de xilitol a través de una ruta biológica

• Diseño del proceso de producción de isosorbida apartir de sorbitol.

37

¿Qué más se ha hecho?


En qué se está trabajando

• Producción de Acetona, Butanol y Etanol

– Desarrollo e implementación de modelos matemáticospara la simulación del proceso de producción.

– Actividades en el laboratorio para la colección de datosnecesarios en el desarrollo de modelos matemáticos.

• Producción de Ácido Poliláctico

– Desarrollo e implementación de modelos matemáticospara la simulación del proceso de producción.

– Experimentación para la colección de datos necesarios enel desarrollo o adecuación de modelos matemáticos.

38


Conclusión

• En esta presentación de mostró el uso sistemático de modelosmatemáticos para el análisis de diferentes tipos de los procesos deproducción de bioetanol y xilitol

– Generación de una plataforma computacional.

– Evaluación de diferentes esquemas de procesos de producción.

– Análisis de las incertidumbres en procesos de producción.

– Diseño de un proceso de producción: hacia una biorefinería

• Es necesario tener un equipo multidisciplinario en el diseño delproceso, debido a la complejidad intrínseca de los procesosbiológicos.

39


Gracias por su atención

40


Bibliografía

41

• Aden, A., Ruth, M., Ibsen, K., et al. (2002). Lignocellulosic biomass to ethanol process design and economics utilizing co-current dilute acidprehydrolysis and enzymatic hydrolysis for corn stover. National Renewable Energy Laboratory technical report. NREL/TP-510-32438.

• Demirbas, A. (2009). Biofuels. Securing the Planet’s Future Energy Needs, Springer-Verlag London Limited.

• Environmental Protection Agency. http://www.epa.gov/. Fecha de Consulta: 14 de Septiembre, 2013.

• Estimado Zafra 2012 (2012). http://www.campomexicano.gob.mx/azcf/reportes/reportes.php?tipo=ESTIMADO . Fecha de consulta: 14 de Septiembre,2013.

• European Climate Change Programme. http://ec.europa.eu/clima/policies/eccp/index_en.htm. Fecha de Consulta: 14 de Septiembre, 2013.

• Kadam, K.L. Rydholm, E.C. McMillan, J.D. (2004). “Development and Validation of a Kinetic Model for Enzymatic Saccharification of LignocellulosicBiomass”. Biotechnology Progress, 20, 698-705.

• Krishnan, M.S., Ho, N.W.Y., Tsao, G.T. (1999). “Fermentation Kinetics of Ethanol production from Glucose and Xylose by recombinant Saccharomyces1400(pLNH33)”. Applied biochemistry and biotechnology, 77-79, 373-388.

• Kyoto Protocol (1998). http://unfccc.int/kyoto_protocol/items/2830.php. Fecha de Consulta: 14 de Septiembre, 2013.

• Lavarack B.P., Griffin G.J. Rodman D., “The acid hydrolysis of sugarcane baggase hemicellulose to produce, xylose, arabinose, glucose and otherproducts”. Biomass Bioenergy. 23, 367-380 (2002).

• Ley General de Cambio Climático (2012). http://www.diputados.gob.mx/LeyesBiblio/pdf/LGCC.pdf. Fecha de Consulta: 14 de Septiembre, 2013.

• Morales-Rodriguez, R., Gernaey, K.V., Meyer, A.S., Sin, G. (2011a) “A Mathematical Model for Simultaneous Saccharification and Co-Fermentation”.Chinese Journal of Chemical Engineering. 19, 185-191.

• Morales-Rodriguez, R., Meyer, A.S., Gernaey, K.V., Sin, G. (2011b). “Dynamic Model-Based Evaluation of Process configuration for Integrated operationand Hydrolysis and Co-Fermentation for Bioethanol Production from Lignocellulose”. Bioresource Technology. 102, 1174-1184.

• Morales-Rodriguez, R., Meyer, A.S., Gernaey, K.V. & Sin, G. (2012a). “A Framework for Model-Based Optimization of Bioprocesses under Uncertainty:Lignocellulosic Ethanol Production Case”. Computers and Chemical Engineering (ISSN: 0098-1354), 42, 115-129.

• Morales-Rodríguez, R., Rodriguez-Gomez, D., Alvarado-Morales, M. & Lugo-Mendez, H.D. (2012b). “A Model-Based Process Configurations Comparisonfor Bioethanol Production from Lignocellulose Feedstocks”. 1° Congreso Internacional Sobre Biorefinerías. San José del Cabo, BJS, México. Páginas 544-550. ISBN: 978-607-441-200-0.

• Prospectiva de Energías Renovables 2013-2026 (2012). http://www.sener.gob.mx/res/PE_y_DT/pub/2012/PER_2012-2026.pdf. Fecha de Consulta: 14de Septiembre, 2013.

• Tochampa, W., Sirisansaneeyakul, S., Vanichsriratana, W., Srinophakun, P., Bakker, H.H.C., Chisti, Y., (2005). “A model of xylitol production by the yeastCandida mogii”, Bioprocess Biosyst Eng, Vol. 28, p. 175-183.

http://www.campomexicano.gob.mx/azcf/reportes/reportes.php?tipo=ESTIMADO


Análisis de los procesos de producción de bio-combustibles y bio-productos de alto valor

agregado a través del uso sistemático de modelos matemáticos

Ricardo Morales RodríguezDepartamento de Ingeniería de Procesos e Hidráulica, Universidad Autónoma Metropolitana-

Iztapalapa, Av. San Rafael Atlixco 186, C.P. 09340, México, D.F., México

Análisis de los procesos de producción de bio...

Documents

Transcript of Análisis de los procesos de producción de bio...