Thesis: Data-Driven Modeling of Anaerobic Digestion Processes with a View to Process Control
| datacite.subject.fos | Engineering and technology | |
| datacite.subject.fos | Engineering and technology::Chemical engineering | |
| datacite.subject.fos | Engineering and technology::Electrical engineering, Electronic engineering, Information engineering::Automation and control systems | |
| datacite.subject.fos | Engineering and technology::Industrial biotechnology::Bioprocessing technologies (industrial processes relying on biological agents to drive the process) biocatalysis, fermentation | |
| datacite.subject.fos | Engineering and technology::Industrial biotechnology::bioproducts (products that are manufactured using biological material as feedstock) biomaterials, bioplastics, biofuels, bioderived bulk and fine chemicals, bio-derived novel materials | |
| datacite.subject.fos | Engineering and technology::Environmental engineering | |
| dc.contributor.department | Departamento de Ingeniería Química y Ambiental | |
| dc.contributor.guia | Garcia Gen, Santiago | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Pino Santana, Andrés Ignacio | |
| dc.date.accessioned | 2025-10-21T13:27:28Z | |
| dc.date.available | 2025-10-21T13:27:28Z | |
| dc.date.issued | 2025-10-03 | |
| dc.description.abstract | The operational complexity of anaerobic digestion (AD) processes often hinders their efficiency. Control strategies based on mechanistic models face significant challenges related to calibration and the formal requirement of state observers, particularly as demonstrating system observability from limited online measurements remains a non-trivial analytical task that is often considered intractable for complex, nonlinear high-dimensional systems. This thesis presents a systematic investigation into the feasibility of a purely data-driven Nonlinear Model Predictive Control (NMPC) strategy as a pragmatic alternative, framed as a proof-of-concept. The proposed framework utilizes a Long Short-Term Memory (LSTM) neural network, whose architecture was informed by preliminary studies from the author's undergraduate work, as a surrogate predictor. A key aspect of this approach is that the model is trained only on readily available online measurements, such as influent and methane flow rates, thereby testing the hypothesis that this limited information set is functionally sufficient for control. The study methodically evaluates the LSTM-NMPC approach in a simulated environment by progressively increasing the complexity of the AD model, from the simplified AM2 to the comprehensive ADM1. In the simulated scenarios, the data-driven controller successfully achieved setpoint tracking and rejected stochastic disturbances. A comparative analysis showed that the non-linear MPC strategy resulted in a lower tracking error compared to both a linear model-based MPC and a classically tuned PI controller. The scalability of the methodology was further examined through its application to a multi-input anaerobic co-digestion (ACoD) scenario, where Bayesian Optimization was used as an exploratory tool to identify an effective control strategy. Finally, a comparison with model-free Reinforcement Learning (RL) was conducted to contextualize the implementation trade-offs. This work concludes that a data-driven NMPC strategy is a viable approach for the control of simulated AD processes. The results suggest a pathway for achieving stability and performance without relying on complex, first-principles models, dedicated state observers, or formal observability analysis, demonstrating the potential of this framework as a computationally feasible and scalable control solution. | en_US |
| dc.description.abstract | La complejidad operativa de los procesos de digestión anaeróbica (DA) suele afectar su eficiencia. Las estrategias de control basadas en modelos mecanísticos se enfrentan a importantes desafíos relacionados con la calibración y el requisito formal de observadores de estado, en particular porque demostrar la observabilidad del sistema a partir de mediciones en línea limitadas sigue siendo una tarea analítica importante, a menudo considerada insoluble para sistemas complejos, no lineales y de alta dimensión. Esta tesis presenta una investigación sistemática sobre la viabilidad de una estrategia de Control Predictivo de Modelos No Lineales (NMPC) basada exclusivamente en datos como alternativa pragmática, enmarcada como una prueba de concepto. El marco propuesto utiliza una red neuronal de memoria a largo plazo (LSTM), cuya arquitectura se basó en estudios preliminares de la carrera universitaria del autor, como predictor sustituto. Un aspecto clave de este enfoque es que el modelo se entrena únicamente con mediciones en línea fácilmente disponibles, como los caudales de afluente y metano, lo que prueba la hipótesis de que este conjunto limitado de información es funcionalmente suficiente para el control. El estudio evalúa metódicamente el enfoque LSTM-NMPC en un entorno simulado aumentando progresivamente la complejidad del modelo de AD, desde el AM2 simplificado hasta el ADM1 completo. En los escenarios simulados, el controlador basado en datos logró con éxito el seguimiento del punto de ajuste y rechazó las perturbaciones estocásticas. Un análisis comparativo mostró que la estrategia MPC no lineal resultó en un menor error de seguimiento en comparación con un MPC basado en un modelo lineal y un controlador PI sintonizado clásicamente. La escalabilidad de la metodología se examinó más a fondo a través de su aplicación a un escenario de codigestión anaeróbica (ACoD) de múltiples entradas, donde se utilizó la Optimización Bayesiana como herramienta exploratoria para identificar una estrategia de control efectiva. Finalmente, se realizó una comparación con el Aprendizaje por Refuerzo (RL) sin modelo para contextualizar las compensaciones de la implementación. Este trabajo concluye que una estrategia NMPC basada en datos es un enfoque viable para el control de procesos de AD simulados. Los resultados sugieren una vía para lograr estabilidad y rendimiento sin depender de modelos complejos de primeros principios, observadores de estado dedicados o análisis de observabilidad formal, lo que demuestra el potencial de este marco como una solución de control computacionalmente factible y escalable. | es |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Química | |
| dc.description.sponsorship | Agencia Nacional de Investigación y Desarrollo | |
| dc.description.sponsorship | Wallonie-Bruxelles International | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 107 páginas | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/4152 | |
| dc.identifier.uri | https://doi.org/10.71959/1sd5-ye19 | |
| dc.language.iso | en | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Anaerobic Co-digestion (ACoD) | |
| dc.subject | Anaerobic Digestion (AD) | |
| dc.subject | Anaerobic Digestion Model No. 1 (ADM1) | |
| dc.subject | Anaerobic Model No. 2 (AM2) | |
| dc.subject | Black-Box Modeling | |
| dc.subject | Data-Driven Modeling | |
| dc.subject | Long Short-Term Memory (LSTM) | |
| dc.subject | Model Predictive Control (MPC) | |
| dc.subject | Nonlinear AutoRegressive with eXogenous inputs (NARX) | |
| dc.subject | Nonlinear Model Predictive Control (NMPC) | |
| dc.subject | Process Control | |
| dc.subject | Reinforcement Learning (RL) | |
| dc.subject | System Identification. | |
| dc.subject.ods | 6 Agua limpia y saneamiento | |
| dc.subject.ods | 7 Energía asequible y no contaminante | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.subject.ods | 11 Ciudades y comunidades sostenibles | |
| dc.subject.ods | 12 Producción y consumo responsables | |
| dc.subject.ods | 13 Acción por el clima | |
| dc.title | Data-Driven Modeling of Anaerobic Digestion Processes with a View to Process Control | |
| dspace.entity.type | Tesis |
Política de Privacidad 
