Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/15849
Title: Recuperação e purificação de quitosanases usando adsorção em leito expandido com streamline DEAE com modelagem e simulação usando redes neurais
Other Titles: Recovery and Purification of Chitosanases using Expanded Bed Adsorption with Streamline DEAE with Modeling and Simulation using Neural Networks
Authors: Padilha, Carlos Eduardo de Araújo
Keywords: Adsorção em leito expandido. Recuperação de biomoléculas. Quitosanases. Planejamento experimental. Modelo de taxa geral. Redes neurais;Expanded bed adsorption. Recovery of biomolecules. Chitosanases. Experimental design. General rate model. Neural networks
Issue Date: 18-Dec-2013
Publisher: Universidade Federal do Rio Grande do Norte
Citation: PADILHA, Carlos Eduardo de Araújo. Recovery and Purification of Chitosanases using Expanded Bed Adsorption with Streamline DEAE with Modeling and Simulation using Neural Networks. 2013. 150 f. Dissertação (Mestrado em Pesquisa e Desenvolvimento de Tecnologias Regionais) - Universidade Federal do Rio Grande do Norte, Natal, 2013.
Portuguese Abstract: A adsorção em leito expandido (ALE) é uma técnica integrativa que alia conceitos de cromatografia e fluidização de sólidos. A diversidade de parâmetros envolvidos e seus efeitos sinergéticos dificultam a tarefa de otimização da operação. Felizmente, algumas ferramentas matemáticas foram desenvolvidas de modo a direcionar as investigações do sistema ALE. Assim, o presente trabalho propõe a aplicação do planejamento experimental, modelagem fenomenológica e redes neurais artificiais (RNAs) na compreensão da adsorção de quitosanases na resina de troca iônica Streamline® DEAE. A cepa Paenibacillus ehimensis NRRL B-23118 foi responsável pela produção das quitosanases. Nos ensaios de adsorção usando o leito na forma expandida foi utilizada uma coluna de 2,6 cm de diâmetro por 30,0 cm de altura, acoplada a uma bomba peristáltica. Na base da coluna existia um distribuidor de microesferas de vidro com altura de 3,0 cm. Os ensaios de determinação de tempo de residência (DTR) revelaram elevado grau de mistura, entretanto, os coeficientes de Richardson-Zaki mostraram que a coluna estava no limiar da estabilidade. Pelas regressões das isotermas puderam-se ajustar os dados de equilíbrio de adsorção, na presença de diferentes sais da escala liotrópica. O resultado do planejamento apontou que a força iônica e a velocidade influenciam a recuperação e pureza das quitosanases. As massas moleculares das duas espécies de quitosanases foram estimadas por SDS-PAGE, obtendo-se aproximadamente 23 kDa e 52 kDa. A modelagem fenomenológica foi direcionada para descrever as operações em batelada e na coluna cromatográfica. As simulações foram executadas no Microsoft Visual Studio, usando a linguagem Fortran. O modelo de taxa constante ajustou-se às curvas cinéticas com excelência, nas condições de atividade iniciais 0,232, 0,142 e 0,079 UA/mL. As curvas de ruptura simuladas apresentaram algumas disparidades com os dados experimentais, principalmente quanto à inclinação. Os testes de sensibilidade do modelo sobre a velocidade superficial, dispersão axial e concentração inicial mostraram conformidade com artigos publicados. A rede neural foi construída no ambiente MATLAB, por meio da Neural Network Toolbox. A validação cruzada foi usada para melhorar a capacidade de generalização. Carlos Eduardo de Araújo Padilha dezembro/2013 6 Aperfeiçoaram-se os parâmetros da RNA até se obter as configurações 6-6 (atividade enzimática) e 9-6 (proteínas totais), função de ativação tansig e algoritmo de treinamento Levenberg-Marquardt. As simulações da rede neural, incluindo todo o ciclo da operação, mostraram boa concordância com os dados experimentais, com coeficiente de correlação da ordem de 0,974. Os efeitos das variáveis de entrada sobre os perfis das etapas de carga, lavagem e eluição foram compatíveis com a literatura
Abstract: Expanded Bed Adsorption (EBA) is an integrative process that combines concepts of chromatography and fluidization of solids. The many parameters involved and their synergistic effects complicate the optimization of the process. Fortunately, some mathematical tools have been developed in order to guide the investigation of the EBA system. In this work the application of experimental design, phenomenological modeling and artificial neural networks (ANN) in understanding chitosanases adsorption on ion exchange resin Streamline® DEAE have been investigated. The strain Paenibacillus ehimensis NRRL B-23118 was used for chitosanase production. EBA experiments were carried out using a column of 2.6 cm inner diameter with 30.0 cm in height that was coupled to a peristaltic pump. At the bottom of the column there was a distributor of glass beads having a height of 3.0 cm. Assays for residence time distribution (RTD) revelead a high degree of mixing, however, the Richardson-Zaki coefficients showed that the column was on the threshold of stability. Isotherm models fitted the adsorption equilibrium data in the presence of lyotropic salts. The results of experiment design indicated that the ionic strength and superficial velocity are important to the recovery and purity of chitosanases. The molecular mass of the two chitosanases were approximately 23 kDa and 52 kDa as estimated by SDS-PAGE. The phenomenological modeling was aimed to describe the operations in batch and column chromatography. The simulations were performed in Microsoft Visual Studio. The kinetic rate constant model set to kinetic curves efficiently under conditions of initial enzyme activity 0.232, 0.142 e 0.079 UA/mL. The simulated breakthrough curves showed some differences with experimental data, especially regarding the slope. Sensitivity tests of the model on the surface velocity, axial dispersion and initial concentration showed agreement with the literature. The neural network was constructed in MATLAB and Neural Network Toolbox. The cross-validation was used to improve the ability of generalization. The parameters of ANN were improved to obtain the settings 6-6 (enzyme activity) and 9-6 (total protein), as well as tansig transfer function and Levenberg-Marquardt training algorithm. The neural Carlos Eduardo de Araújo Padilha dezembro/2013 9 networks simulations, including all the steps of cycle, showed good agreement with experimental data, with a correlation coefficient of approximately 0.974. The effects of input variables on profiles of the stages of loading, washing and elution were consistent with the literature
URI: https://repositorio.ufrn.br/jspui/handle/123456789/15849
Appears in Collections:PPGEQ - Mestrado em Engenharia Química

Files in This Item:
File Description SizeFormat 
CarlosEAP_DISSERT.pdf1,86 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.