Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.
Identificacin Neuronal de un Modelo Cintico para Gasificacin
de Biomasa
R. Carrasco1, S. Carlos-Hernandez2 y E.N. Snchez1
1
CINVESTAV-IPN, Unidad Guadalajara, 2 CINVESTAV-IPN, Unidad Saltillo
1
Av. Cientfica 1145, Col. El Bajo, 45015, Zapopan, Jalisco, Mxico.
2
Carretera Saltillo-Monterrey Km. 13, 25900 Ramos Arizpe, Coahuila, Mxico.
1
{carrasco, sanchez} @gdl.cinvestav.mx, 2 salvador.carlos@cinvestav.edu.mx
jng
ResumenEn este trabajo se presenta la aplicacin de una
red neuronal para la identificacin de un modelo cintico
correspondiente a la zona de reduccin en un proceso de
gasificacin de combustibles slidos, especficamente biomasa.
El modelo considerado consta de seis ecuaciones diferenciales
que representan la produccin de seis componentes (carbono,
hidrgeno, monxido de carbono, agua, bixido de carbono y
metano) y son obtenidas a partir de las ecuaciones de
velocidad de reaccin de las cuatro principales reacciones en
la zona de reduccin de un gasificador de lecho fluidizado. Por
otro lado, la identificacin realizada en el presente trabajo
est basada en una red neuronal recurrente discreta de alto
orden (RHONN), la cul es entrenada con el algoritmo de
filtro de Kalman extendido (FKE). El objetivo es reproducir,
con la red neuronal, la produccin de los diferentes
componentes ante diversas condiciones de operacin. El
desempeo del identificador neuronal se ilustra va
simulacin.
Palabras clave: Gasificacin de biomasa, identificacin
neuronal, filtro de Kalman extendido.
I. INTRODUCCIN
La situacin energtica y medioambiental alrededor del
mundo hace que la generacin de energa mediante
sistemas basados en fuentes renovables tome cada vez
mayor relevancia. Estos sistemas tienen diversas ventajas
ya que posibilitan la diversificacin energtica reduciendo
la dependencia del petrleo, al emplear materias primas
renovables se disminuyen las emisiones globales del CO2 y
en el caso de procesos que emplean materia prima residual,
permiten valorizar los residuos orgnicos minimizando
riesgos ambientales.
La biomasa es un recurso con alto potencial energtico y
representa un rea de oportunidad tanto en pases
desarrollados como emergentes. En este sentido, la
gasificacin de biomasa es un proceso que permite la
generacin de energa trmica y elctrica, mediante
tecnologas de bajo costo. La idea principal es transformar
un combustible slido en gases con potencial energtico,
adems de recuperar elementos nocivos antes de que se
liberen a la atmsfera, los cuales pueden ser empleados
como materia prima para la sntesis de productos con valor
agregado. Este proceso involucra fenmenos complejos
como los mecanismos de transferencia de masa y energa, se
lleva a cabo en un reactor (gasificador) a alta temperatura y
presin. La transformacin de slido a gas se desarrolla en
varias etapas: secado, pirolisis, combustin y reduccin;
cada una toma lugar en diferentes zonas de reaccin [1].
Debido a que la reaccin de combustin en la zona de
pirolisis es mucho ms rpida que la reaccin de
gasificacin en la zona de reduccin [1][2], todas las
velocidades en la gasificacin de biomasa son controladas
por las cinticas en la zona de reduccin.
El proceso de gasificacin y su acoplamiento a
dispositivos de cogeneracin de energa ha sido estudiado
principalmente desde el punto de vista de la Ingeniera
Mecnica. La combinacin con otras disciplinas como el
Control Automtico pueden traer mayores beneficios para
este tipo de procesos, por ejemplo, es posible obtener
modelos matemticos ms adecuados para el anlisis de las
propiedades del proceso (estabilidad, controlabilidad,
regiones de operacin, etc.) y para el diseo y validacin de
sistemas de control que mejoren su eficiencia y permitan un
acoplamiento eficaz con los dispositivos de cogeneracin.
Por otro lado, las redes neuronales artificiales representan
modelos simplificados de las redes neuronales biolgicas,
son un procesador paralelo distribuido y masivamente
interconectado que almacena conocimiento experimental y
que tiene una gran cantidad de aplicaciones, tales como
modelacin financiera y econmica, aplicaciones mdicas,
optimizacin de procesos industriales y control de calidad,
investigacin cientfica, entre otras. Existen diferentes
topologas, entre las que destacan las redes neuronales
recurrentes de alto orden debido a que permiten el
desarrollo de algoritmos de control robustos a
incertidumbres, un modelado eficiente de sistemas
dinmicos complejos, una fcil implementacin y tienen la
capacidad de ajustar sus parmetros en lnea.
As, el objetivo principal de este trabajo es desarrollar
una identificacin neuronal, basada en una RHONN [3] con
el fin de identificar las concentraciones de carbono (C),
hidrgeno (H2), monxido de carbono (CO), agua (H2O),
bixido de carbono (CO2) y metano (CH4) en un proceso de
biomasa residual.
El aprendizaje de la red neuronal est basado en el
algoritmo del filtro de Kalman extendido [4]. Con este
 Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.

identificador se pretende iniciar una plataforma de 1

simulacin que permita entender de mejor manera
el proceso de gasificacin, as como evaluar estrategias de
control. Las secciones II y III estn dedicadas a dar una
explicacin de los conceptos bsicos de las redes neuronales
recurrentes de alto arden y del algoritmo de entrenamiento
del filtro de Kalman extendido. En la seccin IV se presenta
el modelo cintico basado en el mecanismo de reacciones de
superficie, el cual es utilizado para llevar a cabo la
identificacin neuronal presentada en la seccin V. La
identificacin es validada va simulacin y los resultados
obtenidos se discuten en la seccin VI. Finalmente se
presentan conclusiones y perspectivas.
II. RED NEURONAL RECURRENTE DE ALTO ORDEN DISCRETA
S (x ) = (5)
1 + exp( x )
donde es la pendiente de la funcin.
Se considera ahora el problema de aproximar el sistema
no lineal (1), por la siguiente red neuronal recurrente de
alto orden discreta [5]:
xi (k + 1) = wiT zi (x (k ), u (k )) + zi , i = 1,..., n (6)
donde xi es el i-simo estado de la planta, zi es el error de
aproximacin, el cual puede ser reducido, incrementando el
nmero de pesos. Se supone que existe un vector de pesos
ideal wiT tal que z puede ser minimizado en un

Considrese un sistema MIMO no lineal: conjunto compacto zi Li [6]. En general, se supone

que existe un vector y es constante pero desconocido, ver [7]
xi (k + 1) = F ( x(k ), u(k )) (1) para mayor informacin. Si definimos la estimacin de w
como wi , el error de estimacin es:
donde x n , u m y F n m n es una funcin
no lineal. ~ (k ) = w w (k )
w (7)
i i i
Sea una red neuronal discreta de alto orden:
III. EL FILTRO DE KALMAN EXTENDIDO COMO ALGORITMO DE
xi (k + 1) = wiT z i ( x(k ), u (k )), i = 1,..., n (2) ENTRENAMIENTO

El filtro de Kalman (FK) es un conjunto de ecuaciones

donde xi (i = 1,2,..., n ) es el estado de la i-sima neurona, n matemticas que provee una solucin recursiva para estimar
es el nmero de estados, wi (1,2,..., n ) es el respectivo vector los estados de un sistema lineal perturbado con ruido aditivo
de adaptacin de pesos en lnea y zi ( x(k ), u(k )) est dado en los estados y en las salidas [5]. Cuando el algoritmo de
entrenamiento de las redes neuronales se basa en el FK, los
por:
pesos sinpticos de la red son los estados a estimar y la
()
z i1 jI1 yidi j 1 salida de la red neuronal es la medicin usada por ste. En

zi 2 jI y idi j (2 ) este caso, el error entre la salida de la red neuronal y la
zi ( x(k ), u(k )) = = 2 (3) salida medible de la planta puede ser considerado como
M M
di j ( Li )
ruido blanco aditivo. Puesto que la red neuronal constituye
zi Li jI L1 yi una transformacin no lineal, entonces se requiere un filtro
de Kalman extendido.
donde Li es el respectivo nmero de conexiones de alto
orden, {I1 , I 2 ,..., I Li } es la coleccin de subconjuntos de
{1, 2,..., n}, d ij (k ) son enteros no negativos y y i es definido
como:

yi 1 s (x1 )

M M
yi s (x )
yi = n = n (4).
yin +1 u1
M M

y in + m un

En (4), u = [u1 , u 2 ,..., u m ]T es el vector de entrada a la Figura 1. Esquema de una RHONN entrenada con el filtro
red neuronal y S () es la funcin de activacin, la cual est de Kalman extendido.
definida por:
 Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.

El objetivo de entrenamiento es encontrar los pesos
ptimos que minimicen el error de prediccin, la estimacin
de los pesos se hace de manera recursiva, de tal forma que
cada actualizacin del peso estimado es hecha a partir del
peso anterior y los datos actuales; esto implica que no se
requiere la actualizacin de todos los pesos estimados. Esta
es la razn ms importante por la cual el FKE es utilizado
como algoritmo de entrenamiento de redes neuronales.
El FKE como algoritmo de entrenamiento est dado por:
wi (k + 1) = wi (k ) + i K i (k )e(k )
K i (k ) = Pi (k )H i (k )M i (k ) i = 1,..., n
Pi (k + 1) = Pi (k ) K i (k ) H iT (k )Pi (k ) + Qi (k )
donde
[
M i (k ) = Ri (k ) + H iT (k )Pi (k )H i (k ) ]1
(9)
e(k ) = y (k ) y (k )
donde x es el estado de la neurona, como se presenta a
detalle en [8], (12) se reescribe como:
x(k + 1) = T (x (k ), u (k ), w(k )) (13)
donde T (,, ) es una funcin no lineal de x(k ) , u (k ) y
w(k ) que determina la transicin del estado de la red
neuronal; de tal forma que con una rutina de derivadas
recurrentes se logra una linealizacin, dando como
resultado un sistema dinmico de la forma:
(8)
x(k + 1) T (x(k ), u(k ), w(k )) x(k ) T (x(k ), u(k ), w(k ))
= + (14)
w x(k ) w w
Usualmente Pi y Qi son inicializadas como matrices
diagonales, con entradas Pi (0) y Qi (0) , respectivamente.
Es importante remarcar que H i (k ) , K i (k ) y Pi (k ) para el
FKE son acotadas; para mayores detalles al respecto, se
recomienda consultar la referencia [5].

con e(k ) p el error de estimacin y Pi (k ) Li Li la IV. MODELO CINTICO

matriz de covarianza del error de prediccin en el paso k , En la Figura 2 se muestra un esquema simplificado de un
wi Li el vector de pesos para el i-simo estado de la red, gasificador de lecho fluidizado donde se muestran las
diferentes zonas de reaccin.
Li es el respectivo nmero de pesos para el i-simo estado
de la red neuronal, y p es la salida de la planta,
y p es la salida neuronal, n es el nmero de estados de
la red neuronal, K i Li p es la matriz de ganancia de
Kalman, Qi Li Li es la matriz de covarianza de ruido
del proceso, Ri p p es la matriz de covarianza del ruido
de medicin y H i Li p es la matriz de medicin, donde
( )
cada entrada H ij es la derivada de la i-sima salida de la
red neuronal con respecto al j-simo peso de la red
( )
neuronal, wij , la cual est dada de la siguiente forma:
T
y (k )
H ij (k ) = i = 1,..., n y j = 1,..., Li (10)
wij (k )
Figura 2. Gasificador de lecho fluidizado.
Para el caso en el que se tiene que la salida de la red
neuronal y es funcin de los estados de la red y en el caso La ecuacin general de la gasificacin de biomasa es:
ms general tambin es funcin de las entradas externas de
la red, el clculo de la matriz de medicin H i es el CH O + yO2 + zN2 + wH 2O = x1C + x2 H 2
(15)
siguiente: + x3CO + x4 H 2O + x5CO2 + x6CH4 + x7 N2

y (k ) = (x (k ), u (k )) (11) donde CH O es la representacin qumica de la

biomasa, y y , z , w , y xi son los nmeros molares de
Aplicando la regla de la cadena se obtiene:
varios componentes. Los subndices y son
y (k ) y (k ) x (k ) determinados por anlisis elemental ltimo.
= (12)
w x(k ) w
 Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.

Las reacciones que tienen lugar en la zona de reduccin donde R es la constante universal del gas, E ai es la
se muestran a continuacin: energa de activacin para la reaccin i y T es la
1. C + CO2 = 2CO temperatura en la zona de reduccin. El signo negativo
2. C + H2O = H2 + CO de las ecuaciones de la velocidad de reaccin indica el
3. C + 2H2 = CH4 (16) componente global de la reaccin que se est
4. H2O + CH4 = CO + 3H2. consumiendo, mientras que el signo positivo indica el
La razn de produccin de los diferentes componentes componente que se est produciendo
est dada por las siguientes ecuaciones diferenciales: De las ecuaciones anteriores se deduce que el gas
producto depende de la presin y la temperatura del
dx1 gasificador.
= v1 ( X ) + v2 ( X ) + v3 ( X )
dt
dx2 V. IDENTIFICADOR DEL MODELO CINTICO DE GASIFICACIN
= v 2 ( X ) + 2v3 ( X ) 3v 4 ( X )
dt DE BIOMASA.
dx3 El esquema de identificacin presentado en la seccin II,
= 2v1 ( X ) v 2 ( X ) v 4 ( X )
dt se aplica al modelo cintico para la gasificacin de biomasa
dx4 el cual queda representado por el sistema de ecuaciones
= v 2 ( X ) + v4 ( X ) (17)
dt (17). Para ello se utiliza una red neuronal recurrente de alto
dx5 orden con n=6 considerando medibles los estados. La
= v1 ( X ) identificacin de parmetros y la identificacin de estados
dt
estn relacionadas en el sentido de cmo las mediciones de
dx6
= v 3 ( X ) + v 4 ( X ) los sensores pueden ser usadas para obtener un modelo
dt aproximado de la planta a ser controlada. Para muchas
aplicaciones de control es aconsejable identificar el estado
donde vi ( X ) representan las ecuaciones de velocidad del sistema o al menos una parte de ella. En el caso de este
de reaccin de las reacciones (16) las cuales se obtienen artculo, con el identificador neuronal se busca reproducir
considerando el mecanismo de Lamguir-Hinshelwood el comportamiento del gasificador ante diversas
[9], y estn dadas por: condiciones de operacin. Esto permitir entender de mejor
manera los mecanismos de reaccin en la transformacin de

v1 ( X ) = k a1
(
)
x5 x32 / PX K p1 x1, 0

1/ 3
x1
(18)
biomasa slida, as como analizar las propiedades del
proceso. As, el conocimiento del proceso adquirido
(K i + 1 / p )xi x1 d p
mediante la identificacin facilitar la instrumentacin y
el desarrollo de estrategias de control para optimizar el

v2 ( X ) = k a 2
(
)
x 4 x3 x2 / PX K p 2 x1, 0

1/ 3
x1
(19)
funcionamiento de este tipo de procesos.
La red neuronal utilizada en este trabajo se muestra en el
(K i + 1/ p )xi x1 d p siguiente sistema de ecuaciones.

( )
x 22 x6 / PX K p 3 x1,0
1/ 3 x1 (k + 1) = w11 S ( x1 ) + w12 S ( x1 )S ( x5 )S ( x3 ) + w13 S ( x4 )
x1
v3 ( X ) = k a 3 (20) + w14 S (x3 )S ( x4 ) + w15 S (x2 )S ( x6 )
(K i + 1/ p )xi x1 d p
x 2 (k + 1) = w21 S ( x2 ) + w22 S ( x4 ) + w23 S ( x3 )S (x 4 ) +
w24 S (x6 )S (x1 )
v4 ( X ) = ka 4
(
)
x4 x6 x3 x23 / P 2 X K p 4 x1,0

1/ 3
x1
(21) x3 (k + 1) = w31 S ( x3 ) + w32 S ( x5 ) + w33 S ( x3 )S (x1 ) +
(Ki + 1/ p)xi x1 d p
w34 S (x3 )S ( x2 )S (x1 ) + w35 S ( x4 )S ( x6 )
x 4 (k + 1) = w41 S ( x4 ) + w42 S ( x3 )S (x 2 ) + w43 S (x6 ) +
donde K i es la constante de adsorcin para las especies
w44 S (x3 )S ( x2 )S (x1 )
i, p es la presin en el gasificador, es la densidad del
x5 (k + 1) = w51 S (x5 ) + w52 S ( x3 )S (x1 )
carbn, d p es el dimetro inicial del carbn en forma de
x 6 (k + 1) = w61 S ( x6 ) + w62 S (x 2 ) + w63 S ( x6 )S ( x1 ) +
esfera, K pi es la constante de equilibrio y k ai es la w64 S ( x4 )S (x6 ) + w65 S ( x3 )S (x 2 )S ( x1 )
constante de velocidad para la reaccin i. La constante donde x1 , x2 , x3 , x4 , x5 y x6 corresponden a las
de velocidad es el producto de un factor pre-exponencial
concentraciones de carbono (C), hidrgeno (H2), monxido
Ai y un factor exponencial, conforme a la ecuacin de
de carbono (CO), agua-gas (H2O), bixido de carbono (CO2)
Arrhenius, y metano (CH4) respectivamente.

k a1 = Ai exp( E ai / RT ) (17)
 Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.

El entrenamiento es realizado en lnea, usando una

configuracin serie-paralelo como se muestra en la Figura
3.

Fig. 4 Concentracin de carbono y su respectiva

identificacin.

Figura 3. Esquema de identificacin.

Fig. 5 Concentracin de hidrgeno y su respectiva
Todos los estados de la red son inicializados identificacin.
aleatoriamente as como los vectores de pesos inciales. Las
matrices de covarianza para el FKE son inicializadas con
valores determinados por prueba y error los cuales se
presentan en la Tabla 1.

Pi (0) Qi (0 ) R i (0)
[P1 (0 )]55 = diag {1e9} [Q1 (0)]55 = diag{5e1} [R1 (0 )]11 = 5e3
[P2 (0)]44 = diag{4e9} [Q2 (0 )]4 4 = diag {5e1} [R2 (0)]11 = 2e4
[P3 (0)]55 = diag{1e10} [Q3 (0 )]55 = diag{4e1} [R3 (0 )]11 = 1.1e3 Fig. 6 Concentracin de monxido de carbono y su
respectiva identificacin.
[P4 (0)]44 = diag{8e10} [Q4 (0 )]44 = diag{3e 3} [R4 (0)]11 = 7.2e4
[P5 (0)]22 = diag{4e9} [Q5 (0)]22 = diag{2.5e3} [R5 (0)]11 = 1.6e4
[P6 (0 )]55 = diag{4e9} [Q6 (0)]55 = diag{2e3} [R6 (0 )]11 = 1.6e4
Tabla 1.Matrices de covarianza para la RHONN en el
proceso de identificacin.

VI. RESULTADOS EN SIMULACIN

Fig. 7 Concentracin de agua y su respectiva
En esta seccin se presentan los resultados obtenidos en
identificacin.
simulacin. El software empleado es Matlab / Simulink.
En Fig. 4, Fig. 5, Fig. 6, Fig. 7, Fig. 8 y Fig. 9 se muestra
cada estado y su respectiva identificacin. El identificador
se inicializa aleatoriamente para evaluar la convergencia, la
cual se ilustra al inicio de la simulacin. Como puede
observarse en las grficas respectivas el tiempo de
convergencia es pequeo y el error de identificacin tiende
a cero.
En Fig. 10 se muestra cada error de identificacin.
Fig. 8 Concentracin de bixido de carbono y su
respectiva identificacin.
 Congreso Anual 2010 de la Asociacin de Mxico de Control Automtico. Puerto Vallarta, Jalisco, Mxico.

VIII. AGRADECIMIENTOS
Los autores agradecen el apoyo de CONACYT, Mxico, en
el proyecto 125776.

REFERENCIAS
[1] Y. Wang and C. M. Kinoshita, Kinetic Model of
Biomass Gasification, Journal Solar Energy, Vol. 51, No.1,
Fig. 9 Concentracin de metano y su respectiva pp. 19-25, USA, 1993.
identificacin. [2] T. B. Reed, Biomass Gasification principle and
technology, Noyes Data Corporation, New Jersy, 1981.
[3] E. N. Sanchez and A.Y. Alanis, Redes neuronales,
conceptos fundamentals y aplicaciones a control
automtico, Pearson Education, Madrid, Espaa, 2006.
[4] E. N. Sanchez, A.Y. Alanis and G. Chen, Recurrent
neural networks trained with Kalman filtering for discrete
chaos reconstruction, Proceedings of Asia-Pacific
Workshop on Chaos Control and Synchronization,
Melbourne, Australia, July 2004.
[5] Y. Song and J.W. Grizzle, The extended Kalman filter
as a local asymptotic observer for discrete-time nonlinear
systems, Journal of Mathematical Systems, Estimation and
Control, Vol. 5, pp. 59-78, Birkhauser-Boston, 1995
[6] G. A. Rovithakis and M. A. Christodoulou, Adaptive
Control with Recurrent High-Order Neural Network,
Springer-Verlag, New York, USA, 2000.
[7] E. N. Sanchez, A.Y. Alanis and A.G. Loukianov,
Discrete-Time Recurrent High Order Neural Observer for
Induction Motors, in Foundations of Fuzzy Logic and Soft
computing Springer-Verlag, Berlin Heidelberg, Germany,
2007.
[8] A. Y. Alans, Entrenamiento de redes neuronales con
el filtro de Kalman, Tesis de Maestra, CINVESTAV,
Unidad Guadalajara, 2004.
[9] M. Laurendeau, Heterogeneous Kinetics of Coal Char
Fig. 10 Errores de identificacin de cada una de las
Gasification and combustion, Journal Energy Combustion,
variables.
Vol. 4, pp. 221-270, Great Britain, 1978.
.
VII. CONCLUSIONES

En este artculo se desarrolla la identificacin de las

concentraciones de carbono (C), hidrgeno (H2), monxido
de carbono (CO), agua (H2O), bixido de carbono (CO2) y
metano (CH4) respectivamente, usando una red neuronal
recurrente de alto orden discreta considerando que todos los
estados son medibles; el identificador neuronal es
entrenado con el algoritmo del filtro de Kalman extendido
el cual es implementado en lnea. Los resultados de
simulacin muestran la efectividad del esquema de
identificacin propuesto. De esta manera se ilustra la
aplicabilidad de las redes neuronales en el estudio y anlisis
en los procesos termoqumicos para la generacin de
energa. Para dar continuidad a esta temtica, actualmente
se estudian las propiedades de los procesos de gasificacin y
se analizan alternativas para el desarrollo de estrategias de
control.