罐批發酵
簡介
增大接種量是提高菌濃的有效、快捷的方法，但由於種子罐的體積已定，無法通過加大種子培養液的體積來增大接種量，因此選擇通過倒種增大接種量，在生產實踐中檢驗模型的預測能力。將對照與倒種的罐批發酵前期的菌濃與pH的最高值和最低值輸入模型，預測60h的效價，結果見Tab.3，相對誤差為2.5687%和-9.3267%，通過倒種法60h效價比對照提高了35.3%，放罐時效價為33773u/ml，比對照提高了11.8%。
相關資料
實現發酵生產過程的最佳化操作和控制，單憑經驗或經典的試驗數據是無法滿足要求的，因此有必要建立模型指導發酵過程的最佳化，一些難於線上檢測的重要變數、如菌體濃度，底物濃度和產物濃度等可藉助於已建立的數學模型，通過測量與其相關的其它可線上測量的變數，如尾氣中的氧和二氧化碳的含量、發酵液的溫度、pH和溶氧濃度的變化等，得到線上的最最佳化估計。產黃頭孢霉(Acremoniumchrysogenum)生長與頭孢菌素C合成的數學模型最早是由Matsumura提出來的，建立了頭孢菌素C合成與形態分化，內源甲硫氨酸誘導頭孢菌素C合成與葡萄糖代謝物阻遏效應的結構離散型(segregated)模型［1］。鑒於抗生素髮酵難以建立精確的數學模型，無需精確模型的智慧型控制策略在抗生素髮酵過程控制中得到了套用。基於誤差反向傳播(backpropagation，BP)算法的多層前向神經網路(BP網路)已廣泛用於發酵工業的培養基最佳化，連續攪拌反應器神經網路估計，分批發酵及補料分批發酵過程建模與控制最佳化［2～5］。Cruz等建立模型描述葡萄糖與蔗糖的利用速率與頭孢菌素C的合成的關係，利用神經網路以早期的菌濃預測整個發酵過程的菌量［6］。Sliva等運用雜交神經網路，根據線上檢測尾氣中二氧化碳和氧的濃度，預測Cephalosporiumacremonium發酵過程的菌體濃度，估計細胞的生長速率、底物的消耗速率和產物的生成速率［7］。李運鋒等利用基於神經網路的滾動學習預報技術，實現了頭孢菌素C產量、產物質量濃度和效益函式的超前預報，為發酵過程的動態控制和調度最佳化提供了支持［7，8］。有關頭孢菌素C的合成已建立了很多模型，而且用發酵早期的菌濃進行預測也已有研究，但只用發酵早期的菌濃預測後期的菌量，並沒有與產物合成關聯起來。在頭孢菌素C發酵過程放大的研究中，發現菌體早期的生長與產素的關係密切，因此本文採用BP神經網路技術利用發酵前期的大量數據建立效價的預估模型，實現了對頭孢菌素C效價的預測，同時將該模型套用於生產實際。
