Redes neuronales para la predicción de transferencia de calor y masa durante el secado de yuca y

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

Palabras clave: Secado; trasferencia de masa y energía; redes neuronales; humedad.

1. Metodología

1.1 Sistema de red neuronal

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.

(Demuth, Beale, & Hagan, 2005)

1.2 Algoritmo de aprendizaje

El algoritmo de aprendizaje es un procedimiento o entrenamiento que consiste en ajustar los

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,

Hinton, & Williams, 1986)

Se usó el algoritmo de Levenberg-Marquardt un procedimiento de optimización en la red neuronal. El

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

red que fueron utilizados como criterio.(Hernández-Pérez et al., 2004) Fig.1

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

de los procesos para aplicaciones industriales.

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

DETALLE DE LOS ARTÍCULOS CIENTÍFICOS ANALIZADOS

Autor (es) (Año) Nombre del Artículo Revista Código DOI Cuartil de la Revista
Mechanisms affecting .Environme 10.1021/es405054u Q1
1. Kumpel, E.,
water quality in an ntal https://www.scimagojr.com/journal
& Nelson, K. L. (2014).
intermittent piped water Science and search.php?q=21537&tip=sid&clea
supply. Technology n=0
Water quality effects of Water https://doi.org/10.1016 Q1
2. Erickson, J. J., Smith,
intermittent water supply Research. /j.watres.2017.02.009 https://www.scimagojr.com/journal
C. D., Goodridge, A., &
in Arraijïan, Panama. search.php?q=18795&tip=sid&clea
Nelson, K. L. (2017).
n=0
Measuring household Water https://doi.org/10.1002 Q1
3. Kumpel, E., &
consumption and waste Resources /2016WR019702. https://www.scimagojr.com/journal
Nelson, K. L. (2016).
in unmetered,intermittent Research. search.php?q=18854&tip=sid&clea
piped water systems. n=0
Effect of storage tank Journal https://doi.org/10.5942 Q2
4. Schafer, C. a, &
material and American /jawwa.2012.104.0125 https://www.scimagojr.com/journal
Mihelcic, J. R. (2012).
maintenance on Water search.php?q=19642&tip=sid&clea
household water quality. Works n=0
Association
Chlorine demand-based Urban https://doi.org/10.1080 Q2
5. Courtis, B. J., West, J.
predictive modeling of Water /15730620903038461 https://www.scimagojr.com/journal
R., & Bridgeman, J.
THM formation in water Journal search.php?q=4500151528&tip=sid
(2009
distribution networks. &clean=0