Neural Modeling of Bromelain Extraction by Reversed Micelles

Ano: 2010 | Volume: 53 | Número: 2

Autores: Ana Maria Frattini Fileti, Gilvan Anderson Fischer, Elias Basile Tambourgi

Palavras-chave: bromelain, reversed micelles, extraction, neural networks, pineapple

Resumo Português:

Uma micro-coluna com campânulas pulsantes foi
utilizada para a extração de bromelina a partir de
suco de abacaxi, usando micelas reversas. A
solução catiônica micelar foi composta do
surfactante BDBAC, do solvente iso-octano e do
co-solvente hexanol. Seguindo um planejamento
experimental, perturbações foram impostas à
coluna de extração com o objetivo de capturar seu
comportamento dinâmico e suas não-linearidades,
usando a razão entre a vazão da fase leve e vazão
total, e o intervalo de tempo entre os pulsos. Os
efeitos das variáveis independentes sobre o fator
de purificação e sobre o rendimento em proteínas
totais foram modelados via redes neurais
artificiais. A melhor topologia de rede obtida foi
definida como 16-9-2, usando um esquema de
janela móvel no tempo das variáveis
independentes. O modelo neural obtido do
histórico do processo se mostrou adequado para
predizer simultaneamente o fator de purificação e
o rendimento do processo em proteínas totais.
No ponto ótimo de operação, foi encontrado um
fator de purificação de 4.96, com produtividade de
1.29 mL/min.

Resumo Inglês:

A pulsed-cap microcolumn was used for bromelain extraction from pineapple juice by reversed micelles. The
cationic micellar solution used BDBAC as the surfactant, isooctane as the solvent and hexanol as the co-solvent. In
order to capture the dynamic behavior and the nonlinearities of the column, the operating conditions were modified
in accordance with the central composite design for the experiment, using the ratio between the light phase flow
rate and the total flow rate, and the time interval between pulses. The effects on the purification factor and on total
protein yield were modeled via neural networks. The best topology was defined as 16-9-2, and the input layer was a
moving window of the independent variables. The neural model successfully predicted both the purification factor
and the total protein yield from historical data. At the optimal operating point, a purification factor of 4.96 and a
productivity of 1.29 mL/min were obtained.