第五章 生化过程的建模和状态.ppt

生化过程的检测与控制 第五章 生化过程的建模和状态预测 基本内容 描述生化过程的各类数学模型（※） 非构造式动力学数学模型的建模方 法（※） 人工神经网络建模及预测发酵过程 的状态 5.1 描述生化过程的各类数学模型 一、非构造式动力学模型 （1）基本形式： 特征：不能适应环境、发酵条件和批次出现的变化和漂移 用途和目的：发酵过程的定值控制和离线最优化 建模难易程度：确定模型参数和模型形式有难度，需离线测定状态变量 应用广泛性：常用 二、代谢网络模型 代谢流迁移 特征：利用生物化学的知识和模型，真正掌握过程的本质和特征，有很大的通用性和伸缩性 用途和目的：分析发酵过程不同阶段代谢流分配和走向，为利用基因改造技术或酶技术提高产量产率提供依据 建模难易程度：较困难，需分析涉及的代谢途径，需离线或在线测定状态变量 应用广泛性：不常用 特征：完全黑箱操作，了解过程特征和本质较差 用途和目的：响应面方法优化静态过程 建模难易程度：简单直接 应用广泛性：常用，难以动态过程控制和最优化 五、正交和多项式回归模型 中心组合设计实验因子和实验水平 Factors (x) Levels -1.414 -1 0 1 1.414 Glucose (g/l) 25.86 30 40 50 54.14 Peptone (g/l) 7.93 10 15 20 22.07 中心组合设计实验结果 Runs Glucose x1 Peptone x2 Cordycepin production (mg/l) Observed Predicted 1 1 1 285.2±15.5 295.4 2 1 -1 213.0±9.7 217.5 3 -1 1 230.2±14.5 221.5 4 -1 -1 264.8±5.6 250.5 5 1.414 0 289.3±14.3 278.1 6 -1.414 0 233.8±10.9 249.2 7 0 1.414 248.1±19.3 246.2 8 0 -1.414 205.4±5.8 211.5 9 0 0 333.5 337.8 10 0 0 339.8 337.8 11 0 0 345.3 337.8 12 0 0 328.3 337.8 13 0 0 342.1 337.8 用统计软件SAS对实验数据进行二次多项式回归分析, 得下述方程: y为虫草素产量, x1为葡萄糖浓度编码值, x2为蛋白胨浓度编码值。 该模型的决定系数R2＝0.9697, 因此该方程为发酵生产虫草素提供了一个合适的模型。 中心组合设计二次多项式回归分析 二次多项式方程响应面图 极大值点编码值: 葡萄糖(0.195)和蛋白胨(0.160), 即优化葡萄糖和蛋白胨浓度分别为42.0 g/L和15.8 g/L 1. 非构造式动力学模型建模方法的定式化 5.2 非构造式动力学数学模型建模方法 一、利用非线性规划法确定模型参数 目标函数 限制条件 假设：间歇发酵过程中，X, S已知， 服从Monod模型， 可用 与 关联，产物合成可忽略，则 目标函数变为 特点： （1）模型参数为多参数，需要利用多元化最优点方法求解 （2）测量值和计算值之间的误差二乘值之和为目标函数，模型参数为优化变量 （3）多元优化非线性规划法中，仅Simplex和Powell法无需计算和求目标函数对优化变量的导数 2. 使用Simplex最优化计算方法求解模型参数 1 2 5 7 9 10 15 3 4 6 12 8 11 13 18 14 16 17 23 19 20 21 22 x2 x1 P23 3. 非线性规划法计算模型参数的实例 动力学模型 模型中的参数估计 5.3 人工神经网络建模和预测发酵过程状态 一、神经细胞和人工神经网络模型 神经细胞的构造 突触 轴索 细胞体 枝状突起 生化过程的检测与控制