
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Mesquita, Thiago J. B. | - |
| Autor(es): dc.creator | Campani, Gilson | - |
| Autor(es): dc.creator | Giordano, Roberto C. | - |
| Autor(es): dc.creator | Zangirolami, Teresa C. | - |
| Autor(es): dc.creator | Horta, Antonio C. L. | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:02:34Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:02:34Z | - |
| Data de envio: dc.date.issued | 2022-01-31 | - |
| Data de envio: dc.date.issued | 2022-01-31 | - |
| Data de envio: dc.date.issued | 2021-05 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/49116 | - |
| Fonte completa do material: dc.identifier | https://onlinelibrary.wiley.com/doi/abs/10.1002/bit.27721 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1153061 | - |
| Descrição: dc.description | Various bio-based processes depend on controlled micro-aerobic conditions to achieve a satisfactory product yield. However, the limiting oxygen concentration varies according to the micro-organism employed, while for industrial applications, there is no cost-effective way of measuring it at low levels. This study proposes a machine learning procedure within a metabolic flux-based control strategy (SUPERSYS_MCU) to address this issue. The control strategy used simulations of a genome-scale metabolic model to generate a surrogate model in the form of an artificial neural network, to be used in a micro-aerobic fermentation strategy (MF-ANN). The meta-model provided setpoints to the controller, allowing adjustment of the inlet air flow to control the oxygen uptake rate. The strategy was evaluated in micro-aerobic batch cultures employing industrial Saccharomyces cerevisiae yeast, with defined medium and glucose as the carbon source, as a case study. The performance of the proposed control scheme was compared with a conventional fermentation and with three previously reported micro-aeration strategies, including respiratory quotient-based control and constant air flow rate. Due to maintenance of the oxidative balance at the anaerobiosis threshold, the MF-ANN provided volumetric ethanol productivity of 4.16 g·L−1·h−1 and a yield of 0.48 gethanol.gsubstrate−1, which were higher than the values achieved for the other conditions studied (maximum of 3.4 g·L−1·h−1 and 0.35–0.40 gethanol·gsubstrate−1, respectively). Due to its modular character, the MF-ANN strategy could be adapted to other micro-aerated bioprocesses. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Wiley | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Biotechnology and Bioengineering | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Saccharomyces cerevisiae | - |
| Palavras-chave: dc.subject | Micro-aerobic fermentation strategy | - |
| Título: dc.title | Machine learning applied for metabolic flux-based control of micro-aerated fermentations in bioreactors | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: