Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INFORME DE INVESTIGACIN
PREDICCION POR REDES NEURONALES DE LA HUMEDAD DE
HOJUELAS DE CAMOTE (Ipomea batata), QUINUA (Chenopodium quinoa) Y
KIWICHA (Amaranthus caudatus) POR EFECTO DE LA VARIACIN DE LOS
NIVELES DE PRESIN DE VAPOR DE OPERACIN Y VELOCIDAD DE
ROTACIN DE UN SECADOR DE TAMBOR ROTATORIO
Personal Investigador
VSQUEZ VILLALOBOS VCTOR JAVIER
TRUJILLO - 2007
1. INTRODUCCIN
La disminucin de la humedad en los alimentos es uno de los mtodos antiguos
utilizados para su conservacin. Al reducir el contenido de agua en un alimento hasta un
nivel muy bajo se elimina la posibilidad de su deterioro biolgico y se reducen
apreciablemente las velocidades de otros mecanismos de deterioro. Adems del efecto
conservante, mediante la deshidratacin, se reducen el peso y el volumen del alimento
aumentando la eficacia de los procesos de transporte y almacenaje. Asimismo la
deshidratacin de un alimento produce menudo otro ms apto para el consumo1.
El secado se concibe como una operacin de la aplicacin de calor en condiciones
controladas para eliminar el agua, aumentando la vida de anaquel de los alimentos
mediante la reduccin de la actividad de agua. El secado implica la aplicacin
simultnea de calor y la eliminacin de humedad de los alimentos2.
Segn Brenan et al.3 la clasificacin de los secadores se puede realizar segn el mtodo
empleado en el secado de alimentos, como son: (1) secado por aire caliente, (2) secado
por contacto directo, (3) secado mediante el aporte de energa por una fuente radiante de
microondas o dielctrica y (4) liofilizacin. El secador de tambor, de rodillos o de
pelcula se encuentra dentro de los secadores del segundo tipo, es decir dentro de los
deshidratadores de superficie.
El secado del tambor es uno ms eficientes mtodos de secado y es particularmente
efectivo para el secado de lquidos de alta viscosidad o purs alimenticios. En una
operacin de secado, el material es aplicado como una capa delgada en la superficie
exterior del tambor rotatorio, el cual esta internamente calentado con vapor. Despus de
tres cuartos de revolucin desde el punto de alimentacin, el producto es secado y
removido con una cuchilla esttica.
Hoy da, se usan los secadores del tambor en la industria de alimentos para el secado de
una variedad de productos, tales como productos lcteos, alimentos para bebs, cereal
de desayuno, fruta y pulpa de vegetales, pur de papas, almidn cocido y levadura. De
acuerdo a varias fuentes, parmetros diferentes tales como la temperatura, tiempo de
secado, etc., puede afectar la calidad del producto4.
Kasiri et al.4 reportan un estudio, donde las ecuaciones de transferencia de calor y masa
son resueltas simultneamente para predecir la temperatura y perfiles de humedad de la
capa slida del producto secado en la superficie externa del secador de tambor. En este
estudio, se desarroll un modelo matemtico basado en los principios de transferencia
de calor y masa, el cual se produce durante el proceso de secado. Elementos materiales
y ecuaciones de balance de energa fueron resueltos simultneamente, usando el mtodo
modificado de Euler con una variacin de etapas de tiempo. En orden a considerar la
reduccin de la tasa evaporacin, despus del contenido de humedad crtica, un factor
es definido, el cual puede ser evaluado a partir de la curva de secado. El modelo
desarrollado fue usado como base para construir un programa de simulacin. El
programa se us para predecir la actuacin de un secador de alimentos para bebs y
comparados con plantas reales. Una compatibilidad relativamente buena fue observada
entre los datos medidos y predichos. Errores observados entre los resultados calculados
y los datos reales de la planta, fueron aproximadamente de 10.32 % para el tiempo de
secado y 15.40 % para el contenido de humedad. El simulador tambin se us para
Determinacin de
humedad
Papilla camote-quinua
-kiwicha
3 atm
4 rpm
7 rpm
Control de
presin
5 atm
11 rpm
4 rpm
hojuelas
7rpm
11 rpm
Control de
velocidad
Determinacin de
humedad
Adems el suministro de vapor debe ser de la mejor calidad (100%). El vapor entra al
interior del tambor y se condensa en la pared interna. La operacin adecuada del
secador de tambor requiere ventilacin cuando el vapor se introduce en la cmara del
tambor. El condensado debe eliminarse continuamente a fin de mantenerse un
coeficiente de transferencia de calor convectivo alto entre el vapor y la pared del
tambor. Si la cmara del tambor se presuriza, la temperatura de la pelcula del producto
cambiar durante el secado. El intervalo de dinmica se halla prcticamente entre el
punto de ebullicin de agua y la temperatura mxima que puede alcanzarse antes de la
eliminacin por las cuchillas2.
En tambores secadores el pur de papa se seca como una hoja/pelcula continua con una
humedad del 6%. La velocidad con que rota el tambor se debe ajustar segn el
contenido de agua de las sustancias, esta velocidad se encuentra entre 1,8 a 2,3 r.p.m. El
vapor usado para la calefaccin puede variar entre 5 y 6 kg/cm2 de presin. Una goma
de papa con humedad de 80% se puede secar a 4,5-5 % de contenido de agua con los
parmetros de funcionamiento siguientes: presin de vapor 6 kg/cm2 y 2 r.p.m.15.
Algunos de los productos que se secan en tambores son la leche, pur de papa, pur de
tomate, alimentos para animales, etc. Pero el secador de tambor tiene limitaciones
inherentes que restringen su uso a cierta clase de alimentos. A fin de efectuar el secado
rpidamente, la temperatura de la superficie del tambor tiene que ser alta, generalmente
arriba de 121C. Esto da a los productos ms sabor y color de cocimiento que cuando se
les seca a una temperatura ms baja. Una segunda limitacin consiste en la dificultad de
proporcionar el control de temperatura por zonas que se necesita a fin de variar la
temperatura de secado. Esto es especialmente importante cuando se trata de materiales
alimenticios termoplsticos. Aunque la leche y el pur de papa secados pueden
separarse fcilmente del tambor caliente en forma de capas desmenuzables, este no es el
caso de muchas frutas secas, jugos y otros productos que tienden a ser glutinosos y
semi-derretidos cuando estn calientes. Estos productos tienden a contraerse, enrollarse,
o bien acumularse en alguna otra forma y adherirse a la cuchilla en una masa chiclosa16.
Kasiri et al.4, han planteado un modelo matemtico y simulacin por computador de un
secador de tambor, observando errores entre los resultados calculados y los datos reales
de una planta de alimentos para bebs, de aproximadamente de 10.32 % para el tiempo
de secado y 15.40 % para el contenido de humedad.
Realizaron un anlisis cualitativo de operacin del secador usando un programa de
simulacin. En este estudio fue investigado el efecto del grosor de la pelcula, espesor
del secador, coeficiente de transferencia de calor por conduccin del secador, velocidad
con que pasa el aire sobre el secador, temperatura de secado, velocidad de rotacin en el
tiempo de secado y contenido de humedad del producto final. El secador usado fue un
cilindro secador simple. Las condiciones iniciales fueron: solucin de alimentacin de
sulfato de sodio (20 % en peso), contenido de humedad de 4 kg de agua/kg de slido
seco, temperatura del alimento de 25 C, espesor de la pelcula de alimento en el tambor
de 0.001 m, longitud del tambor de 3 m, grosor del tambor de 0.008 m, dimetro del
tambor de 2 m, conductividad trmica del tambor de 35 W /mC, temperatura del aire
de 30 C, velocidad del aire de 0.25 m/s, temperatura de ebullicin de 100 C, velocidad
de rotacin del tambor de 0.07 s-1, presin de 1 atmsfera y contenido de humedad crtica de
0.751 kg humedad/kg de slido seco.
Asimismo observaron que, un aumento del grosor de la pelcula de alimento, aumenta el
tiempo de secado. La temperatura del vapor es otro parmetro que afecta la humedad
del producto, a mayor temperatura menor humedad. Bajo similares condiciones de
tiempo de secado, grosor de la pelcula, etc, un alta temperatura del medio de secado,
aumenta el gradiente de temperatura y por consiguiente la tasa de transferencia de calor
lo que causa una elevada tasa de evaporacin. Un aumento de la velocidad del aire
circundante reduce el tiempo de secado. Otro parmetro que afecta el tiempo de secado
y por consiguiente el contenido de humedad del producto es la velocidad de rotacin del
tambor de secado, un incremento de esta, causa un considerable incremento del
contenido de humedad del producto final, debido a un corto periodo de secado.
Redes Neuronales Artificiales
Dentro del campo de desarrollo de la inteligencia artificial, las Redes Neuronales han
despertado gran inters como modelo predictivo, y pueden encontrarse un gran nmero
de publicaciones en la literatura. Las Redes Neuronales Artificiales (RNA), son tcnicas
computacionales y representan un modelo matemtico basado en el concepto de
estructura neuronal de organismos inteligentes y que adquieren conocimiento a travs
de la experiencia10. La RNA consisten en una tcnica de procesamiento computacional
muy til cuando no se dispone de informaciones matemticas exactas, y puede ser capaz
de resolver previsiones de problemas lineales y no lineales11.
Las RNA, mediante un estilo de computacin paralelo, distribuido y adaptativo, son
capaces de aprender a partir de ejemplos. Estos sistemas imitan esquemticamente la
estructura hardware (neuronal) del cerebro para tratar de reproducir algunas de sus
capacidades. En la prctica, una RNA puede simularse mediante un programa de
ordenador, o bien realizarse en circuitos electrnicos especficos17.
Una Red tiene componentes simulados de elementos de procesamiento, los cuales son
denominados neuronas artificiales18. Las neuronas artificiales reciben las seales y las
pasan a componentes intermedios del programa, por medio de conexiones matemticas.
Cada neurona procesa una parte de informacin o corre en paralelo, y automticamente
las distribuye a travs de diferentes unidades que componen la red. Las unidades de
procesamiento transfieren las sumas ponderadas de informacin por una funcin de
activacin, usualmente una funcin sigmoidal, que contiene un gran nmero de seales
informativas, las cuales son convertidas a valores definidos durante la operacin de
entrenamiento18.
Los elementos bsicos de un sistema neuronal biolgico, son las neuronas, las que se
agrupan en conjuntos compuestos por millones de ellas organizadas en capas,
F( )
SALIDAS
D
A
NEURONA
S
Capa
Red
Parte algortmica
- Regla de propagacin (wij, xj(t)), que proporciona el valor del potencial postsinptico hi(t) = (wij, xj(t)) de la neurona i en funcin de sus pesos y entradas.
- Funcin de activacin fi(ai(t-1), hi(t)), que proporciona el estado de activacin actual
ai(t) = fi(ai(t-1), hi(t)) de la neurona i, en funcin de su estado anterior ai(t-1) y de su
potencial postsinptico actual.
- Funcin de salida Fi(ai(t)) que proporciona la salida actual yi(t) = Fi(ai(t)) de la
neurona i en funcin de su estado de activacin.
Sinapsis
xj
wij
salida yi
ai = f (hi)
funcin de activacin
hi = (wij, xj)
yi = F (ai)
regla de propagacin
funcin de salida
(1)
- Si las condiciones del trabajo son cambiantes, se puede hacer uso de la capacidad de
las RNA para adaptarse a esos cambios, re-entrenando el sistema con nuevos
ejemplos.
b. Caractersticas que hacen desaconsejable el empleo de RNA:
- Existe un algoritmo que resuelve con total eficacia el problema. Es el caso de los
problemas puramente algortmicos o numricos (multiplicacin de nmeros,
inversin de matrices, etc.).
- No se dispone de un nmero adecuado de casos (ejemplos) para entrenar la Red
Neuronal.
- Tareas crticas o potencialmente peligrosas, cuya resolucin deba ser siempre
perfectamente predecible y explicable. A veces no resulta fcil interpretar la
operacin de la Red Neuronal o predecir con total fidelidad el resultado que pueda
proporcionar en todos los casos posibles.
- Por otro lado las RNA presentan algunos problemas que an estn por resolver17.
Constituyen un mtodo de resolucin de problemas demasiado creativo, es decir,
dadas las especificaciones de un problema, se desconoce la topologa (arquitectura) de
la RNA que la va a solucionar de la forma ms eficiente. Hay que utilizar el mtodo
de pruebas y errores.
- Es difcil averiguar por qu una RNA no es capaz de ajustar los datos que se le
proporcionan. Por tanto, dado un problema al que se le aplica la RNA, puede resultar
dificultoso averiguar porque no funciona correctamente.
- Los modelos neuronales precisan elevados requisitos de cmputo. Esto sucede en la
fase de aprendizaje, pero en la fase de ejecucin son los mtodos ms rpidos.
- Una vez entrenada una Red Neuronal, en general resulta difcil interpretar su
funcionamiento. Es la denominado caja negra de la red neuronal. Esto es
importante, ya que en las aplicaciones reales al usuario le interesa saber qu es lo que
est haciendo exactamente la red neuronal, para de esta manera sentirse seguro de su
operacin.
Existen varios modelos de RNA, una que ha sido reportada por su capacidad predictica
es la Perceptrn Multicapa MLP (multilayer perceptron), que utiliza el algoritmo de
aprendizaje backpropagation BP (retropropagacin). El perceptrn multicapa con
aprendizaje BP (o alguna de sus variantes) es el modelo neuronal ms empleado en
aplicaciones prcticas. El MLP + aprendizaje BP, suele denominarse red de
retropropagacin, o simplemente BP. Se ha comprobado experimentalmente que es
capaz de representar complejos mappings y de abordar problemas de clasificacin de
gran envergadura, de una manera eficaz y relativamente simple17.
Las redes de multicomponentes que utilizan el algoritmo BP, en el cual el aprendizaje se
da por un proceso de retropropagacin de errores, son actualmente las ms difundidas18.
Durante la fase de entrenamiento, los valores previstos son subsecuentemente
comparados con el valor real y las conexiones entre las unidades de procesamiento, con
sus debidos pesos, son modificadas para minimizar la desviacin entre los valores, lo
cual es posible debido a la estructura de la Red, donde cada unidad de un componente
dado es conectada a cada unidad integrante de los componentes vecinos. Una Red mide
el error entre el valor obtenido y el valor deseado, usando un algoritmo para ajustar los
pesos de las interconexiones reduciendo el error con las determinaciones subsecuentes.
E[wij] = 1
2 =1
(ti yi)2
(2)
i=1
y se derivar, no solo en funcin de los pesos de las neuronas ocultas, haciendo uso de
la regla de la cadena, en consecuencia las funciones de transferencia de las neuronas
deben ser derivables17.
El algoritmo BP, es una regla de aprendizaje que se puede aplicar en modelos de Redes
con ms de dos capas de clulas. Una de las caractersticas importantes de este
algoritmo es la representacin interna del conocimiento que es capaz de organizar en la
capa intermedia de las clulas para conseguir cualquier correspondencia entre la entrada
y la salida de la Red. Su aprendizaje consiste de un conjunto predefinido de pares de
entradas-salidas dados, empleando un ciclo de propagacin-adaptacin de dos fases:
primero se aplica un patrn de entrada con estmulo para la primera capa de las
neuronas de la red, se va propagando a travs de todas las capas superiores hasta generar
una salida, se compara el resultado obtenido en las neuronas de salida que se desea
obtener y se calcula un valor del error para cada neurona de salida. A continuacin,
estos errores se transmiten hacia atrs, partiendo de la capa de salida, hacia todas las
neuronas de la capa intermedia que contribuyen directamente a la salida, recibiendo el
porcentaje de error aproximado a la participacin de la neurona intermedia en la salida
original. Este proceso se repite capa por capa, hasta que las neuronas de la red hayan
recibido un error que describa su aportacin relativa al error total. Basndose en el valor
del error recibido, se ajustan los pesos de conexin de cada neurona, de manera que en
la siguiente vez que se presente el mismo patrn, la salida ser ms cercana a la
deseada; es decir que el error disminuya21.
El algoritmo de Backpropagation encuentra un valor mnimo de error (local o global)
mediante la aplicacin de pasos descendentes (gradiente descendente). Cada punto de la
superficie de la funcin error corresponde a un conjunto de valores de los pesos de la
Red. Con el gradiente descendente siempre que se realiza un cambio en todos los pesos
de la red, se asegura el descenso por la superficie del error hasta encontrar un valle ms
cercano, lo que puede hacer que el proceso de aprendizaje se detenga en un mnimo
local21.
Martn del Bro y Sanz Molina17, sostienen que los ordenadores actuales resultan
suficientes para resolver numerosos problemas prcticos, permitiendo la simulacin de
Redes de tamao considerable a una velocidad razonable. No es necesario que cada
diseador confeccione sus propios simuladores, pues hay disponible comercialmente
software de simulacin que permite el trabajo con multitud de modelos neuronales. Los
pasos recomendados en el diseo de aplicacin de una Red Neuronal son:
MSE = 1
Q
e (k)
k =1
=1
Q
(t (k) a (k))2
(3)
k =1
El algoritmo error cuadrado medio mnimo (LMS) ajusta los pesos y las bias de la red
neuronal, as como minimiza el error cuadrado medio.
Problema:
Ser predecible por Redes Neuronales los niveles de humedad de hojuelas de camote
(Ipomea batata), quinua (Chenopodium quinoa) y kiwicha (Amaranthus caudatus) por
efecto de la variacin de dos niveles de presin de vapor de operacin (3 y 5 atm) y tres
velocidades de rotacin (4, 7 y 11 rpm) de un secador de tambor rotatorio ?
Hiptesis:
Es predecible por redes neuronales la humedad de hojuelas de camote (Ipomea batata),
quinua (Chenopodium quinoa) y kiwicha (Amaranthus caudatus) por efecto de la
variacin de dos (2) niveles de presin de vapor de operacin y tres (3) velocidades de
rotacin de un secador de tambor rotatorio?
3. METODOS Y RESULTADOS
Materiales:
-
Termmetros
Material de vidrio: probetas, buretas, fiolas, pipetas, tubos de ensayo,
Prensapapas
Camote (Ipomea batata)
Quinua (Chenopodium quinoa)
Kiwicha (Amaranthus caudatus)
Equipos:
- Computadora Pentium IV, con software MATLAB 7.0.
- Secador de tambor rotatorio atmosfrico de 29.37 cm de dimetro, 60 cm de
longitud (0.55 m2 de rea de secado) con una cuchilla de acero inoxidable.
Equipado con motoreductor planetario regulable de 1.5 HP.
- Caldero de 120 psi.
El vapor proveniente del caldero a una presin de 7 atm pasa por una vlvula reductora
de presin (3 5 atm). El vapor a presin reducida en el interior del tambor rotatorio
cede calor hacia la superficie y este se condensa (Fig. 4).
Vapor del caldero
Vlvula reductora
de presin
Entrada de vapor
condensado
Vlvula de control
manual
Tambor rotatorio
Salida de condensado
Figura 4. Esquema del sistema de alimentacin de vapor al secador de tambor rotatotio
Humedad (%)
Datos de entrada ( 67 %)
Red Neuronal
Backpropagation
Presin de operacin
Velocidad de rotacin
Datos de entrada ( 33 %)
Humedad
Red Neuronal
Backpropagation con la
mejor topologa
Camote
pesado
seleccin
lavado
pelado
cortado
kiwicha
quinua
sulfitado
molienda
coccin
harina
triturado
mezclado
estandarizado
secado
hojuelas
Presin (atm)
3
3
3
3
3
3
3
3
3
5
5
5
5
5
5
5
5
5
Velocidad (rpm)
4
4
4
7
7
7
11
11
11
4
4
4
7
7
7
11
11
11
[net,tr]=train(net,p,t);
Donde se observa que se utiliz una tasa de aprendizaje de 0.01, coeficiente de
momento de 0.5, 6 etapas de aprendizaje y una meta de error de 1e-4, habindose
llegado, como se menciona lneas arriba a un error de 0.251813.
Para validar se uso el 33 % de los datos con las siguientes sentencias:
p = [3;4];
a = sim(net,p)
p = [3;7];
a = sim(net,p)
p = [3;11];
a = sim(net,p)
p = [5;4];
a = sim(net,p)
p = [5;7];
a = sim(net,p)
p = [5;11];
a = sim(net,p)
En el Cuadro 2, tambin se observa el porcentaje de error entre los valores
esperados (T) y los valores obtenidos -A- (predichos por la RNA). Notndose
errores entre -22.5 y 45.5%.
Cuadro 2. Datos sin normalizar para la validacin de la Red Neuronal Backpropagation
Presin
(atm)
Velocidad
(rpm)
Humedad
esperada
% (T)
Humedad
obtenida
%(A)
3
3
3
5
5
5
4
7
11
4
7
11
7.17
6.19
8.20
2.88
6.19
9.44
7.93
5.65
6.8750
4.19
4.7951
7.4049
Error
%
entre
TyA
10.6
-8.7
-16.2
45.5
-22.5
-21.6
10
10
Training-Blue Goal-Black
10
-1
10
-2
10
-3
10
-4
10
3
6 Epochs
Velocidad
(rpm)
3
3
3
5
5
5
4
7
11
4
7
11
Humedad
esperada %
(T)
0.2583
0.2230
0.2954
0.1037
0.2230
0.3401
Humedad
obtenida
%(A)
0.2856
0.2036
0.2477
0.1509
0.1728
0.2667
Error %
entre T y
A
10.6
-8.7
-16.1
45.5
-22.5
-21.6
10
Training-Blue Goal-Black
10
-1
10
-2
10
-3
10
-4
10
10
15
15 Epochs
HUmedad (%)
10
8
6
4
2
0
0
Tratamientos de validacin
Humedad (%) real -T-
Figura 8. Tendencia de los valores de humedad durante la validacin entre los valores
reales (esperados) y los valores obtenidos por la RNA (predichos)
R = 0.823
7
6
5
4
Data Points
Best Linear Fit
A=T
3
2
2
6
T
10
Figura 9. Anlisis postprocesamiento entre los valores esperados (T) y los valores
obtenidos por la RNA (A)
4. ANLISIS Y DISCUSIN
En el Cuadro 1 se observa un conjunto de 18 datos (el efecto de 2 presiones y 3
velocidades -realizadas por triplicado- en los niveles de humedad de hojuelas) obtenidos
de la investigacin realizada por Castro et al.7, quienes al realizar un ANVA, para el
modelo bifactorial de efectos fijos demostraron una alta diferencia significativa entre los
tratamientos de presin y velocidad. Asimismo al aplicar la prueba de Duncan con un
de 0.05, reportan dos alternativas para la elaboracin de hojuelas en secador de cilindro
rotatorio: 3 atm de presin con 4 rpm y 5 atm con 11 rpm, con una humedad de 7.68 y
8.08 % respectivamente.
En el Cuadro 2, se muestra el 33 % de los datos que sirvieron para validad la RNA,
observndose errores elevados del orden de -22.5 y 45.5% entre los valores de humedad
obtenidos y esperados.
La Fig. 4 indica que el entrenamiento realizado con el algoritmo de ajuste de pesos
Levenberg-Marquardt, con la mejor topologa hallada (RNA Backpropagation con 9
neuronas en la capa oculta, funcin de transferencia tangente sigmoidal (tansig), tasa de
aprendizaje 0.01, coeficiente de momento 0.5, 6 etapas de aprendizaje y una meta de
error de 0.0004), solo permite disminuir el error cuadrtico medio a 0.251813. La
normalizacin de las salidas con similar topologa de Red (variante con 2 neuronas en la
capa oculta y 15 etapas de entrenamiento), ayud a disminuir el mse a 0.000326577
(Fig 5), pero conforme se muestra en el Cuadro 3, el error sigue siendo igualmente
elevado del orden de -22.5 y 45.5% entre los valores de humedad obtenidos y
esperados, a pesar que se tuvo una similar tendencia de los datos (Fig. 8). Esta situacin
se ha corroborado en el anlisis postprocesamiento (Fig. 9), ya que se ha obtenido un R
de 0.823 lo que indica que no existi una correlacin elevada entre los valores
esperados y los obtenidos por la RNA.
La baja correlacin de datos se explica porque el diseo experimental no tuvo
suficientes datos para el entrenamiento, lo que hubiera permitido un buen aprendizaje de
la Red, traducindose en una buena capacidad de generalizacin. El hecho de desarrollar
las pruebas con solamente dos presiones y tres velocidades de rotacin del secador de
tambor, fue insuficiente para un adecuado entrenamiento. Esta situacin corrobora la
limitante de no disponer de un adecuado nmero de casos (ejemplos) para entrenar la
RNA, caracterstica que hace desaconsejable el empleo de RNA17.
Es as que dentro de esta perspectiva Navarro y Losilla22, manifiestan que la calidad de
los datos es un concepto amplio que engloba diferentes aspectos y cuya evaluacin va
adquiriendo mayor relevancia. Enumeran cuatro dimensiones que hacen referencia al
valor que pueden tomar los datos: precisin, actualidad, consistencia y plenitud. En lo
referente a la plenitud de los datos, o lo que es lo mismo, al grado en que los datos a
analizar contienen datos faltantes, se diferencian tres tipos de ausencia de informacin:
los errores de cobertura, la falta de respuesta total y la falta de respuesta parcial. Los
errores de cobertura y la falta de respuesta total deben ser abordados durante las fases de
seleccin de la muestra y obtencin de los datos, respectivamente, mientras que la falta
de respuesta parcial se puede tratar durante la fase de anlisis.
5. CONCLUSIONES Y RECOMENDACIONES
Conclusiones
- Se determin la mejor topologa de Red Neuronal utilizando el algoritmo de
entrenamiento Backpropagation con ajuste de pesos Levenberg-Marquardt, para la
predicccin de los valores de humedad de hojuelas de camote, quinua y kiwicha por
efecto de la variacin de dos niveles de presin de vapor de operacin (3 y 5 atm) y
tres velocidades de rotacin (4, 7 y 11 rpm) de un secador de tambor rotatorio;
utilizando datos normalizados en la salida , 2 neuronas en la capa oculta con funcin
de transferencia tangente sigmoidal hiperblica, tasa de aprendizaje 0.01, coeficiente
de momento 0.5, 15 etapas de aprendizaje y meta del error 1x10-4; obtenindose un
error cuadrtico medio de 3.26577x10-4.
- Anlisis post-entrenamiento de la Red Neuronal Backpropagation determin que,
no existe correlacin positiva fuerte en la prediccin de la humedad de hojuelas de
camote, quinua y kiwicha, por efecto de la variacin de dos niveles de presin de
vapor de operacin y tres velocidades de rotacin de un secador de tambor rotatorio,
obtenindose un coeficiente de correlacin (R) de 0.823 , lo que se traduce en un
error de prediccin entre -22.5 y +45.5 %.
Recomendaciones
- Es recomendable aumentar las repeticiones para los 6 tratamientos de operacin del
secador de tambor rotatorio, lo que permitira tener mayor cantidad de datos de
entrenamiento de la Red Neuronal, as como un mejor ajuste de datos; evaluar la
respuesta de la humedad de secado a con una presin adicional de operacin de 4
atm, con las tres velocidades de operacin.
6. REFERENCIAS BIBLIOGRAFICAS
1. Singh, R. P. y Heldman, D. R.. Introduccin a la ingeniera de Alimentos. Edit.
ACRIBIA S. A. Zaragoza. Espaa. 1997.
2. Sharma, S. K.; Mulvaney, S. J. y Rizvi, S. S.. Ingeniera de los alimentos
Operaciones Unitarias y Prcticas de Laboratorio. Edit Limusa Wiley. 2003.
3. Brennan, J.; Butters, J. y Cowell, N. Las operaciones de la Ingeniera de los
alimentos. Edit. Acribia. S.A. Zaragoza. Espaa. 1998.
4. Kasiri, N.; Hasanzadeh, M. A. y Moghadam, M.. Mathematical Modeling and
Computer Simulation of a Drum Dryer. Iranian Journal of Science & Technology,
Transaction B, Vol. 28, No. B6. 2004.
5. Prieto, F. y Gordillo, A. J. Evaluacin de las isotermas de sorcin en cereales para
desayuno. Superficies y Vaco 19(1). Sociedad Mexicana de Ciencia y Tecnologa
de
Superficies
y
Materiales.
2006
Disponible
en:
http://www.fis.cinvestav.mx/~smcsyv/supyvac/19_1/SV1911206.pdf
6. Garca, J. Revisin de aplicaciones de extrusion. AINIA Centro Tecnologico
Departamento de Ingeniera y Procesos Industriales. rea de I+D. 2008. Disponible
en:
http://www.navactiva.com/web/es/descargas/pdf/aimd/aplicacionesdeextrusion.pdf
7. Castro, E.; Pagador, S. y Vsquez, V. Efecto de la variacin de la velocidad de
rotacin y presin de vapor de un secador de tambor rotatorio atmosfrico adaptado
en la humedad de hojuelas de camote ( Ipomoea batata ) con quinua ( Chenopodium
quinoa ) y kiwicha ( Amaranthus Caudatus ). Tesis UNT. 2004.
8. Ministerio de Agricultura. Estadstica Agraria 2006. Lima. Per. 2007.
9. Ministerio de Agricultura. Estadstica Agraria 2004. Lima. Per. 2005.
10. Mendes, E.F.F. Redes Neurais: introduo a redes neurais artificiais, algortmos
genticos
e
aplicaes.
1999.
Disponvel
na:
/scielo.php?script=sci_arttext&pid=S010120612000000300011&lng=en&nrm=iso&tlng
http://www.icmc.sc.usp.br/~prico/neural1.html
11. Cruz, A.J.G.; Silva, A.S.; Araujo, M.L.G.C.; Giordano, R.C. and Hokka, O.
Estimation of the volumetric oxygen transfer coefficient (KLa) from the gas balance
and using a neural network technique. Braz. J. Chem. Eng. Vol.16, no.2 . 1999.
p.179-183.
Disponible
en
:http://www.scielo.br/scielo.php?script=sci_arttext&pid=S010466321999000200010&lng=es&nrm=iso>. ISSN 0104-6632.
12. Chen, C.R.; Ramaswamy, H.S. and Alli, I. Prediction of quality changes during
osmo-convective drying of blueberries using neural network models for process
optimization. Drying Technology, 19 (3&4). 2001. Pp. 507-523.
13. Moura, C.; Masson1, M. y Yamamoto, C. Prediction of osmotic pretreatment
parameters using neural networks models for process optimization. Proceedings of
the 14th International Drying Symposium (IDS 2004). vol. A. 2004. pp. 589-596.
So Paulo, Brazil.
14. Bala, B.; Ashraf, M.; Uddin, M. y Janjai, S. Experimental and neural network
prediction of the performance of a solar tunnel drier for drying jackfruit bulbs and
leather. Journal of Food Process Engineering 28. 2005. pp 552566.
15. FAO - Food and Agriculture Organization.. Fruit and vegetable proccesing. 2002.
URL: http: www.fao.org/docrep/V503E/V503E11.htm
16. Potter, N. Ciencia de los Alimentos. 1993. Edit. Harla. Mxico.
17. Martn del Brio, B. y Sanz Molina, A. Redes neuronales y sistemas difusos. Edit.
Alfa Omega. 2002.
18. Vale, C.M. y Zambiazi, R.C. Previso de estabilidade de leos vegetais atravs da
rede de inteligncia artificial. Braz. J. Chem. Eng. Vol.20, no.3. 2000. Disponible
en:
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S010120612000000300011.
19. Martinez, I. Introduccin a las Redes Neuronales. Facultad de Informtica.
Universidad
Complutense
de
Madrid.
2005.
Disponible
en:
http://gaia.sip.ucm.es/people/pedro/aad/ivan_martinez.pdf
20. Hussain, M.A.; Rhaman, M. S.; Ng, C.W. Prediction of pores formation (porosity)
in foods during drying: generic models by the use of hybrid neural network. Journal
of
Food
Engineering
51.
2002.
pp.
239-248.
Disponible
en:
http://www.cephdev.utmb.edu/refdb/pdf/7208.pdf
21. Hilera, J. y Martinez, V. Redes neuronales artificiales. Edit.Alfa Omega S.A.
Mxico. 2000.
22. Navarro, J. B. y Losilla, J. M. Anlisis de datos faltantes mediante redes neuronales
artificiales. Universidad Autnoma de Barcelona. Psicothema . Vol. 12. n 3. 2000.
pp. 503-510. Disponible en: http://www.psicothema.com/pdf/363.pdf