Gemelo digital y control predictivo para la optimización térmica del proceso de fermentación y maduración cervecera como aproximación hacia la Industria 4.0
PDF
DOI

Palabras clave

Gemelo digital
Fermentación cervecera
Control predictivo
Industria 4.0.

Cómo citar

Aguilar Mamani, A. (2026). Gemelo digital y control predictivo para la optimización térmica del proceso de fermentación y maduración cervecera como aproximación hacia la Industria 4.0. Revista Latinoamericana De Difusión Científica, 8(15), 196-224. https://doi.org/10.5281/zenodo.21422182

Resumen

La fermentación y maduración cervecera en tanques cilindrocónicos constituye una etapa decisiva para la estabilidad del proceso y la calidad final del producto. En esta fase, la temperatura influye directamente en la actividad de la levadura, el consumo de extracto fermentable, la formación de alcohol, la generación de dióxido de carbono y la evolución fisicoquímica de la cerveza. En plantas con procesos semiautomatizados, el control térmico suele depender de estrategias convencionales, lo que limita la posibilidad de simular, anticipar y optimizar el comportamiento del sistema. Este artículo propone una metodología para desarrollar una etapa inicial de gemelo digital del proceso de fermentación y maduración cervecera tipo pilsener/lager en tanque cilindrocónico, integrada con control predictivo basado en modelo. El trabajo se apoya en modelado dinámico, simulación computacional, definición de una trayectoria térmica referencial de 15 días y comparación entre control PID y MPC mediante indicadores cuantitativos. Los resultados muestran que el MPC redujo el error cuadrático medio entre 84,10 % y 87,90 %, el error absoluto integral entre 69,96 % y 76,75 %, y la desviación estándar del error entre 60,52 % y 65,63 % respecto al PID. Asimismo, redujo el tiempo acumulado fuera de banda, aunque incrementó el esfuerzo de control entre 130,77 % y 135,38 %. El desarrollo corresponde a una aproximación computacional previa, sin conexión en tiempo real con planta, orientada a una futura integración industrial bajo el enfoque de Industria 4.0.

https://doi.org/10.5281/zenodo.21422182
PDF
DOI

Citas

Aguilar Mamani, A. L. (2026). Material complementario: Gemelo digital y control predictivo para la optimización térmica del proceso de fermentación y maduración cervecera [Software y material complementario]. Zenodo. https://doi.org/10.5281/zenodo.20388856

Åström, K. J., y Hägglund, T. (2006). Advanced PID control. ISA—The Instrumentation, Systems, and Automation Society.

Bamforth, C. W. (Ed.). (2016). Brewing materials and processes: A practical approach to beer excellence. Academic Press.

Briggs, D. E., Boulton, C. A., Brookes, P. A., y Stevens, R. (2004). Brewing: Science and practice. Woodhead Publishing.

Camacho, E. F., y Bordons, C. (2007). Model predictive control (2.a ed.). Springer.

Doran, P. M. (2013). Bioprocess engineering principles (2.a ed.). Academic Press.

Kritzinger, W., Karner, M., Traar, G., Henjes, J., y Sihn, W. (2018). Digital twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine, 51(11), 1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474

Monod, J. (1949). The growth of bacterial cultures. Annual Review of Microbiology, 3, 371–394. https://doi.org/10.1146/annurev.mi.03.100149.002103

Qin, S. J., y Badgwell, T. A. (2003). A survey of industrial model predictive control technology. Control Engineering Practice, 11(7), 733–764. https://doi.org/10.1016/S0967-0661(02)00186-7
Sargent, R. G. (2013). Verification and validation of simulation models. Journal of Simulation, 7(1), 12–24.

Seborg, D. E., Edgar, T. F., Mellichamp, D. A., y Doyle, F. J., III. (2017). Process dynamics and control (4.a ed.). Wiley.

Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., y Sui, F. (2018). Digital twin-driven product design, manufacturing and service with big data. The International Journal of Advanced Manufacturing Technology, 94, 3563–3576. https://doi.org/10.1007/s00170-017-0233-1

Yerolla, R., Nekkanti, S. H., Pullanikkattil, S., y Besta, C. S. (2023). Modeling and control of beer fermentation for optimal flavor and performance. Chemical Engineering & Technology, 46(8), 1554–1565. https://doi.org/10.1002/ceat.202200376
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.

Descargas

La descarga de datos todavía no está disponible.