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.
Citas
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

Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
