Académique Documents
Professionnel Documents
Culture Documents
mango.
Sebastián Vaca
Estudiante - Escuela Superior Politécnica de Chimborazo
Resumen: Un modelo para predecir la transferencia de masa y calor online, en función del
contenido de humedad y la contracción en productos alimenticios, en el caso de la yuca y el
mango. Debido a que el secado es importante para la industria, las redes neuronales se han
reconocidos como buenas herramientas para el modelado dinámico debido a la capacidad para
tener en cuenta lo no linealidad y las interacciones entre variables; a la vez incluyen un
modelado sin ninguna suposición sobre la naturaleza de los mecanismos principales
subyacentes a través el método de perceptrón, con una “hidden layer” o capa oculta y
requiriendo un número limitado de simples operaciones aritméticas. A diferencia de los modelos
empíricos convencionales existentes resultan no eficaces debido a la complejidad del proceso
por ecuaciones difenciales no lineales con derivadas parciales, que requieren mucho tiempo y
software especializado lo que puede simplificarse mediante redes neuronales que, a partir de un
conjunto de ejemplos, tiene la capacidad de aprender a encontrar soluciones, a través de una
particular interpolación de nueva información. Se realizó la validación del modelo a través de
un proceso de secado experimental
1. Metodología
El número de neuronas en las capas de entrada son las variables de entrada, (temperatura del aire,
velocidad del aire, contracción, tiempo y humedad del aire) análogamente para la capa de salida representa
las variables de salida (temperatura y humedad del producto) para mango y yuca. El numero óptimo de capas
ocultas se determina con dificultad por la complejidad, generalmente por prueba y error y los pesos y sesgos
son dados por ecuaciones de capas.(Hernández-Pérez, García-Alvarado, Trystram, & Heyd, 2004)
Las neuronas de la capa oculta pueden usar cualquier función de transferencia diferenciable para generar su
salida. En este trabajo se utilizaron una función de transferencia tangente sigmoidea hiperbólica y lineal.
coeficientes (pesos y sesgos) de la red, para minimizar errores en la función que usualmente es cuadrática,
entre las salidas de la red para un conjunto de entradas y de salidas correctas ya conocidas. (Rumelhart,
algoritmo de Levenberg es una aproximación de los métodos de Newton.(Demuth et al., 2005) Y para el
error, el cálculo de la raíz cuadrada media (RMSE) entre los valores experimentales y las predicciones de la
Fig.1.Arquitectura de red recurrente para el secado cinético considerando el encogimiento del producto y el
procedimiento utilizado para el aprendizaje de la red neuronal. (Hernández-Pérez et al., 2004)
2. Resultados
El modelo fue exitoso para predecir la cinética experimental de secado Fig.2 donde se puede ver en
la grafía la línea continua representa la predicción siguiendo la tendencia con la experimental. Esto
demuestra la importancia de la red neuronal artificial aplicaciones para simular la Curvas de secado de
alimentos. Estos modelos no son complejos. Porque la simulación se realiza mediante aritmética simple.
Fig.2 Datos experimentales y curvas simuladas generadas con el modelo propuesto en la cinética de secado del mango y
la yuca. Los símbolos representan la evolución experimental de la humedad en diferentes condiciones.(Hernández-
Pérez et al., 2004)
3. Conclusiones
Este tipo de modelado de red neuronal presentado en este artículo aplicado sobre secado de alimentos es una
tecnología que realiza predicción sin ninguna suposición preliminar sobre la naturaleza de los
mecanismos subyacentes. Es eficiente y simple. Y puede ser usado de forma online para el control
Referencias:
Demuth, H., Beale, M., & Hagan, M. (2005). Neural Network Toolbox. The MathWorks, Inc, (4), 10–29.
https://doi.org/10.1016/j.neunet.2005.10.002
Hernández-Pérez, J. A., García-Alvarado, M. A., Trystram, G., & Heyd, B. (2004). Neural networks for the
heat and mass transfer prediction during drying of cassava and mango. Innovative Food Science and
Emerging Technologies, 5(1), 57–64. https://doi.org/10.1016/j.ifset.2003.10.004
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning internal representations by error
propagation (No. ICS-8506). California Univ San Diego La Jolla Inst For Cognitive Science, 1, 318–
362. https://doi.org/10.1016/B978-1-4832-1446-7.50035-2
Commented [DACV1]:
REFERENCIAS ESTILO APA – NUMERADAS Y EN
ORDEN ALFABÉTICO