In this work, the use of a methodology for applying machine learning algorithms applied to bioprocesses is exposed to emulate their operation using substitute models that are simpler but more precise than the original mechanical model, as a case study the production was used Fed-batch of penicillin on an industrial scale. Methodologies are presented to explore the independent variables that affect the objective function, design and analysis of computer experiments to generate the data set, surrogate models, clustering techniques to identify groups of data with similar "characteristics" and classification techniques. After the application of these methodologies and techniques, the different prediction, clustering and classification models are built, which together constitute the process modeling tool and which helps in making decisions about it.

En aquest treball s'exposa l'ús d'una metodologia d'aplicació d'algorismes de machine learning aplicats a bioprocessos per emular-ne l'operació utilitzant models substituts que siguin més simples però precisos que el model mecanicista original, com a estudi de cas es va fer servir la producció fed-batch de penicil·lina a escala industrial. S'exposen metodologies per explorar les variables independents que afecten la funció objectiu, disseny i anàlisi d'experiments per ordinador per generar el conjunt de dades, models substituts, tècniques de clúster per identificar grups de dades amb "característiques" similars i tècniques de classificació. Després de l'aplicació d'aquestes metodologies i tècniques es construeixen els diferents models de predicció, clustering i classificació que en conjunt constitueixen l'eina de modelatge de procés i que ajuda a prendre decisions sobre aquest.

En el presente trabajo se expone el uso de una metodología de aplicación de algoritmos de machine learning aplicados a bioprocesos para emular la operación de estos usando modelos sustitutos que sean más simples pero precisos que el modelo mecanicista original, como estudio de caso se usó la producción fed-batch de penicilina a escala industrial. Se exponen metodologías para explorar las variables independientes que afectan la función objetivo, diseño y análisis de experimentos por computadora para generar el conjunto de datos, modelos sustitutos, técnicas de clustering para identificar grupos de datos con "características" similares y técnicas de clasificación. Luego de la aplicación de estas metodologías y técnicas se construyen los diferentes modelos de predicción, clustering y clasificación que en su conjunto constituyen la herramienta de modelado de proceso y que ayuda a la toma de decisiones sobre este.