Daniela Soto, Benjamín Sánchez, Katherine Rojas, Francisco Jeria, Claudio Gelmi, J. Ricardo Pérez.
JI3 2014, número 4, páginas 48-53.
Abstract
El calentamiento global es uno de los problemas más preocupantes de nuestra época [1], por lo tanto, diversas fuentes de energía alternativas a los combustibles fósiles están siendo investigadas. Una fuente prometedora son los biocombustibles de segunda generación [2,3], en particular el biodiesel producido por microalgas [4, 5]. Sin embargo, la aún baja eficiencia en la producción le impide competir con los combustibles convencionales [6]. Predecir el comportamiento de estos cultivos a través de modelos matemáticos es una herramienta útil para aumentar la eficiencia del proceso. Para que dichos modelos tengan capacidad predictiva se 48 / Investigaciones de los alumnos requiere que sean robustos y confiables. Esto implica que el modelo debe tener pocos parámetros, sin problemas de identificabilidad, sensibilidad o significancia. Este problema se ha abordado en la literatura [7, 8] con técnicas como análisis de sensibilidad (estudiar el impacto en el modelo de variar el valor de cada parámetro), análisis de identificabilidad (detectar parámetros que estén correlacionados entre sí), y análisis de significancia (estudiar si cada parámetro es significativamente distinto de cero). Dichas técnicas han sido denominadas análisis pre/post regresión [9], y sirven para detectar parámetros del modelo que debiesen fijarse y estimarse. Sin embargo, dichas herramientas por sí solas no entregan información acerca de cómo encontrar una combinación óptima de parámetros a fijar, por lo que se hace necesario un procedimiento genérico para determinar el grupo de parámetros fijos que entregue un modelo que no solo ajuste bien, sino que sea confiable. En este trabajo se presenta un procedimiento heurístico iterativo para disminuir el número de parámetros en un modelo dinámico, reportado previamente en la literatura [10], de crecimiento de microalgas para producción de biodiesel en un reactor fed-batch. En cada paso del procedimiento se realizó una estimación de parámetros mediante optimización global meta-heurística por búsqueda dispersa, y luego se emplearon técnicas de análisis pre/post regresión para decidir qué parámetro fijar. Como en cada iteración varios parámetros pueden ser fijados, se exploraron diversas ramas considerando reglas heurísticas para reducir el espacio de búsqueda.