Modeling of a simultaneous saccharification and fermentation process for ethanol production from lignocellulosic wastes by kluyveromyces marxianus | Modelado de un proceso de sacarificación y fermentación simultanea para la producción de etanol a partir de residuos lignocelulósico utilizando kluyveromyces marxianus

RESUMEN: En este trabajo se presenta el modelado de las principales dinámicas de un proceso de Sacarificación y Fermentación Simultaneas (SFS) utilizando residuos lignocelulósicos como sustrato. Experimentos de SSF llevados a cabo con la levadura Kluyveromyces marxianus como inóculo y desechos de palma de aceite como sustrato se realizaron para obtener datos de concentración de glucosa y etanol que permitieran identificar parámetros y validar el modelo. El modelo resultante predice el comportamiento general de las concentraciones de glucosa y etanol. Gracias a un análisis de sensibilidad, se definen los parámetros que más afectan el modelo, con el fin de flexibilizar el modelo para que pueda ser optimizado en casos particulares con pocos requerimientos computacionales. Esta estrategia de reoptimización muestra mejorar de manera importante la capacidad del modelo para predecir las dinámicas del proceso SSF.

ABSTARCT: This paper presents the modeling of the main dynamics of a Simultaneous Saccharification and Fermentation (SSF) process using lignocellulosic wastes as substrate. SSF experiments were carried out using the yeast Kluyveromyces marxianus as the inoculum and oil palm wastes as the substrate, in order to obtain glucose and ethanol concentration data. The experimental data were used for the parameter identification and model validation. The resulting model predictsthe dynamic behavior of glucose and ethanol concentrations very closely. Performing a sensitivity analysis, parameters which have a higher effect in the modelpredictions are recognized, so the model can be re-optimized in particular cases with low computational requirements. The re-optimization strategy improves the model capacity to predict the dynamics of the SSF process.