Los costos en el modelado y simulación en biorreactores puede representar hasta el 50 % de los costos totales de desarrollo. Por lo tanto, el objetivo debería ser reducir significativamente estos costos. Este objetivo puede abordarse mediante mejoras en las áreas de (i) modelos y estrategias de modelado, (ii) sistemas de software para el desarrollo de modelos, (iii) estrategias de uso múltiple para modelos, actualización y intercambio mejorados de modelos, y bibliotecas de modelos. Además, se debe construir un simulador de entrenamiento utilizando herramientas eficientes para la calibración/parametrización de modelos y el desarrollo de modelos individuales altamente especializados.
Modelos de Procesos
Durante el desarrollo de simuladores de entrenamiento, se puede utilizar un amplio espectro de diferentes modelos para mitigar los costos en el modelado y simulación en biorreactores. En este texto, empleamos una definición bastante amplia del término «modelo»: Un modelo es una representación abstracta o concreta de la realidad, que ilustra las relaciones, propiedades o secuencias de eventos relevantes de un sistema (técnico) (proceso, planta, instalación) con respecto a la utilización definida del modelo.
Sin pretender ser exhaustivos, los siguientes tipos abstractos de modelos se utilizan en las diferentes fases de un proyecto de desarrollo de un simulador de entrenamiento: (i) descripciones verbales de procesos, (ii) gráficos para representar estructuras de procesos (por ejemplo, diagramas PI&D) y secuencias de procesos (por ejemplo, diagramas de flujo secuenciales), (iii) tablas (por ejemplo, tablas de decisión en control), (iv) varios tipos de modelos matemáticos, (v) algoritmos, (vi) sistemas expertos y (vii) programas informáticos.
En el contexto de los costos en el modelado y simulación en biorreactores, los simuladores de entrenamiento, es útil definir los términos modelos descriptivos y prescriptivos, modelos empíricos y mecanicistas, así como modelos estacionarios y dinámicos, ya que todos estos modelos pueden ser utilizados de manera beneficiosa dentro de los simuladores de entrenamiento.
Los modelos descriptivos describen un original existente mediante la reducción a las propiedades relevantes para un propósito específico.
Ejemplos de modelos descriptivos son los modelos de plantas 3D concretos o por computadora (a menudo reducidos en tamaño), que se utilizan para explicar la estructura del proceso a visitantes o nuevos empleados. Sin embargo, también algunos modelos matemáticos son modelos descriptivos, como los splines de interpolación ajustados a través de ciertos conjuntos de datos.
Modelos prescriptivos
Modelos prescriptivos describen un original planificado en forma de un proyecto de apoyo o planificación y realización de procesos. Ejemplos son los planos técnicos para construir una máquina o los diagramas P&ID para una planta planificada.
Con respecto a los costos en el modelado y simulación en biorreactores y los procesos de ingeniería química, es relativamente fácil lograr un buen acuerdo entre los datos medidos y los modelos descriptivos, pero la extrapolación a nuevas condiciones de proceso es prácticamente imposible.
En contraste, los modelos prescriptivos se utilizan para ingeniería. A menudo están basados en principios fundamentales. Con modelos prescriptivos, es posible predecir nuevas condiciones de proceso. Sin embargo, un buen acuerdo entre el modelo y la realidad también requiere un esfuerzo significativo en el modelado. En diversas áreas de los simuladores de entrenamiento, se utilizan tanto modelos prescriptivos como descriptivos.
Los modelos matemáticos a menudo se agrupan en modelos empíricos y mecanicistas, así como en modelos estacionarios y dinámicos. Los modelos matemáticos empíricos describen simplemente datos experimentales mediante estructuras matemáticas adecuadas, posiblemente sin ningún significado físico, biológico o químico.
Ejemplos de estos modelos son polinomios, splines o redes neuronales. Su fortaleza radica en su alta adaptabilidad a muchos conjuntos de datos, trayectorias y curvas mediante conjuntos adecuados de parámetros del modelo.
Su desventaja es su muy pobre capacidad predictiva y su uso limitado para comprender las relaciones causa-efecto y los mecanismos. Sin embargo, en los simuladores de entrenamiento, los modelos empíricos pueden ser utilizados con gran beneficio si los datos de entrenamiento existentes cubren todo el rango de condiciones operativas.
Los modelos en biorreactores mecanicistas con tanques de acero inoxidable están basados en principios fundamentales y describen mecanismos físicos, biológicos o químicos, como la transferencia de calor o masa, la cinética bioquímica, etc. Su desventaja es que el modelado efectivo requiere un alto entendimiento de los mecanismos subyacentes a un proceso o operación unitaria en particular.
Además, la estimación de los parámetros del modelo puede resultar muy difícil, a menudo debido a la falta de datos apropiados. Las ventajas de los modelos mecanicistas son sus buenas capacidades predictivas, incluso en nuevos rangos de condiciones operativas.
También comprenden el conocimiento mecanicista de un proceso, y por lo tanto actúan como una base de conocimiento dentro de un simulador de entrenamiento y pueden ser utilizados, por lo tanto, para enseñanza y capacitación.