UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS AGROPECUARIAS

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

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
V. Vsquez(1), R. Siche(2) )
RESUMEN
Se emple un 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, calentado
con vapor proveniente de un caldero, cuya presin de entrada al secador fue regulada
con una vlvula de reduccin de presin a 3 y 5 atm y su velocidad de rotacin fue
controlada por un motoreductor de velocidad variable
El secado se realiz por eliminacin de agua de una masa de camote-quinua-quiwicha
(70-15-15) con humedad promedio de 74.88%. El producto seco se desprendi de la
superficie de secador de tambor rotatorio mediante una cuchilla de acero inoxidable.
Para la determinacin de la capacidad de prediccin de la RNA, se escogi
aleatoriamente el 67 % de los datos de entrada y salida obtenidos de la fase
experimental. Posteriormente se determin la mejor arquitectura evaluando el error
cuadrtico medio (mse), nmero de neuronas en la capa oculta, nmero de capas ocultas
y funcin de transferencia. Obtenida la mejor arquitectura de la red, se verific la
capacidad de prediccin, evaluando el error entre las salidas esperadas y las obtenidas
por la red; complementando con un anlisis post-entrenamiento en la rutina de
MATLAB.
La mejor arquitectura de la RNA, fue el uso del algoritmo de entrenamiento
Backpropagation con ajuste de pesos Levenberg-Marquardt, para la prediccin 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) del secador. Se utiliz 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.
El anlisis post-entrenamiento de la RNA Backpropagation indic 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 tradujo en un error de prediccin entre
-22.5 y +45.5 %.
Palabras clave: Redes Neuronales Artificiales Backpropagation, secado por tambor
rotatorio

(1) Docente Asociado Tiempo Completo Departamento Ciencias Agroindustriales.

(2) Docente Auxilar Tiempo Completo departamento de Ciencias Agroindustriales.

NEURONAL NETWORK PREDICTION OF THE HUMIDITY OF YAM

(Ipomea batata), QUINUA (Chenopodium quinoa) AND KIWICHA (Amaranthus
caudatus) FLAKES FOR VARIATION EFFECT OF STEAM OPERATION
PRESSURE LEVELS AND ROTATION SPEED OF A DRUM DRYER
V. Vsquez(1), R. Siche(2) )
ABSTRACT
A rotacional atmosferic drum dryer of diameter 29.37 cm, longitude 60 cm was used
(0.55 m2 drying area) with a stainless steel knife and heated with steam coming from a
boiler whose entrance pressure to the dryer was regulated with a valve of pressure
reduction to 3 and 5 atm and its rotation speed was controlled by a motoreductor of
variable speed
The drying was carried out for water elimination of a yam-quinua-quiwicha mass (7015-15) with 74.88 % humidity average. The dry product came off of the surface of
rotational drum dryer by means of a stainless steel knife.
For the determination of the ANN prediction capacity, it was chosen 67 % data entrance
and exit obtained aleatory of experimental phase. Later on the best net architecture was
determined evaluating mean square error (mse), number of neurons in the hidden layer,
number of hidden layers and transfer function. Obtained best net architecture, the
prediction capacity was verified, being evaluating the error among the prospective exits
and those obtained by the net; being supplementing this an analysis post-trainig in the
MATLAB routine.
The best RNA architecure, was the use of the Backpropagation training algorithm with
weight adjustment Levenberg-Marquardt, for the prediction of the humidity values of,
yam, quinua and kiwicha flakes for variation effect of two steam operation pressure
levels (3 and 5 atm) and three rotation speeds (4, 7 and 11 rpm) of the dryer. Data
normalized in the exit was used, 2 neurons in the hidden layer with function of transfer
tangent hyperbolic sigmoidal, learning rate 0.01, coefficient at the moment 0.5, 15
learning stages and goal of the error 1x10-4; being obtained an mean square error of
3.26577x10-4.
The post-training analysis of the ANN Backpropagation indicated that strong positive
correlation doesn't exist in the humidity prediction of yam, quinua and kiwicha flakes
for variation effect of two steam pressure levels and three rotation speeds of a rotattional
drum dryer, being obtained a 0.823 correlation coefficient (R), what was translated in a
prediction error between -22.5 and +45.5%.
Key words: Backpropagation Neural Networks, rotational drum dryer

(1) Associate Educational Time Complete Department Agroindustrial Sciences.

(2) Auxilar Educational Time Complete Department of Agroindustrial Sciences.

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

estudiar la conducta de un secador para anlisis cualitativo e influencia de parmetros

diferentes, en el tiempo de secado y calidad del producto.
El desarrollo y produccin de una gran variedad de presentaciones de cereales
expandidos para el desayuno, de trigo, avena, arroz y maz es en la actualidad un reto
comercial y el control de calidad de estos se hace cada vez ms exigente. El factor ms
importante a cuidar dentro de estos productos es el contenido de humedad, ya que la
mayora de las propiedades sensoriales de los mismos estn en funcin del nivel de
humedad que el producto pueda adsorber5. .
El proceso de pre-gelificacin tradicional requiere la completa hidratacin de la harina
triturada finamente (75-85%). A continuacin el secado mediante tambor se utiliza para
gelatinizar completamente el almidn, modificando ligeramente la fraccin proteica del
grano, obteniendo unos copos que pueden mezclarse con edulcorantes u otros
ingredientes para producir una harina seca final. La posterior adicin de agua crea la
consistencia gomosa deseada para las papillas de los nios ms pequeos. El principal
inconveniente de este proceso es la cantidad de energa consumida para moler e hidratar
el grano y posteriormente secarlo. La calidad del producto elaborado es alta, en la
medida que los grnulos de almidn no se deterioran, pero su productividad es baja, y
las paradas continuas. Adems las cantidades de agua empleadas elevadas y la energa
empleada en el secado muy elevada6.
Castro et al.7, evaluaron el efecto de la velocidad de rotacin y presin de vapor de un
secador de tambor rotatorio, en la humedad de hojuelas de camote con quinua y
kiwicha. Emplearon para esto una papilla viscosa a base de camote amarillo y harina de
quinua y kiwicha, en proporcin de 70, 15 y 15 % respectivamente. Para lograr esto,
instalaron un sistema completo de secado, el cual consisti en un secador de tambor
rotatorio atmosfrico de 29.37 cm de dimetro, 60 cm de longitud y 0.55 m2 de rea de
secado, as como un motor trifsico con motoreductor planetario, sistema de generacin
y alimentacin de vapor. Los valores de presin en le interior del tambor fueron de 3 y 5
atm, las velocidades de rotacin del mismo fueron 4, 7, 11 rpm y de la combinacin de
ellas se obtuvo como resultado un producto con un porcentaje de humedad promedio de
7.68; 5.83; 7.32; 3.75; 5.26 y 8.08, siendo el recomendado de 8 a 12%. En el desarrollo
experimental emplearon dos variables operacionales como presin de vapor en el
interior del tambor (2 niveles) y velocidad de rotacin del mismo (3 niveles)
obtenindose 6 tratamientos, adems aplicaron un diseo estadstico bifactorial
completamente aleatorizado con tres repeticiones por cada tratamiento, dando como
resultado un total de 18 unidades experimentales. Utilizaron un anlisis de varianza con
un nivel de significancia de 95%, y se llevaron cabo comparaciones entre medias
individuales de cada tratamiento, por el mtodo de prueba de intervalos mltiples de
Duncan, obteniendo como resultado humedad ampliamente significante de 7.68%.
El camote amarillo por su considerable contenido de carbohidratos (almidn) y caloras
puede ser empleado en la elaboracin de hojuelas. Actualmente a este producto no se le
da la debida importancia en cuanto a su consumo y empleo para su transformacin en
productos alimenticios elaborados, los cuales le proporcionan a esta materia prima un
considerable valor agregado. La regin la libertad es un productor importante de este
tubrculo despus de Lima, Arequipa y Lambayeque8.

Asimismo los cereales andinos quinua y kiwicha son productos de excelentes

condiciones nutritivas y organolpticas, los cuales presentan una produccin
considerable en Puno y Arequipa9.
Las hojuelas pueden permitir el consumo adecuado de las materias primas antes
mencionadas, las cuales son de alto valor nutritivo y asimismo permiten darle la
importancia debida a estos productos que muchas veces no se les considera en la dieta,
especialmente de la poblacin infantil.
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. Las 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.
Se considera a las RNA dentro del rea subsimblica, como una teora que an est en
proceso de desarrollo. En este contexto tambin se considera que las representaciones y
procedimientos de que se sirve el cerebro son an desconocidos y las Redes Neuronales
Biolgicas, se basan en la transmisin de informacin mediante impulsos elctricos
mediados por transmisores qumicos en la sinpsis interneuronal. La neurona artificial,
imita el proceso de una neurona biolgica. La Red Neuronal Backpropagation (Red
Neuronal con propagacin de errores haca atraz) es un mtodo alternativo que tiene la
capacidad de clasificar vectores no linealmente separables. El algoritmo LevenbergMarquardt, complementa al algoritmo de entrenamiento Backpropagation ya que puede
hacer converger 100 veces ms rpido el error cuadrtico medio (mean square error mse).
As se tiene que modelos de RNA han sido usados para predecir cambios de calidad
durante el secado osmo-convectivo de arndanos para la optimizacin del proceso12.
Modelos de RNA Multicapas con tres entradas (concentracin, temperatura osmtica y
tiempo de contacto) fueron desarrollados para predecir cinco salidas: tiempo de secado
por aire, color, textura, tasa de rehidratacin y tambin ndice comprensivo. La
configuracin ptima de modelo de red neuronal fue obtenido por la variacin de los
principales parmetros de las RNA: funcin de transferencia, regla de aprendizaje,
nmero de neuronas y capas, y etapas de aprendizaje. La previsibilidad de modelos de
RNA fue comparada con el modelo de regresin mltiple, confirmando que los modelos
de RNA tuvieron una mejor perfomance que los modelos matemticos convencionales.
Las matrices de prediccin y las curvas de respuesta correspondientes para las
propiedades del proceso principal, bajo diferentes condiciones de deshidratacin
osmtica, fueron usadas para investigar las condiciones ptimas del proceso. Los
resultados indicaron que es factible el uso de RNA para la prediccin y optimizacin de
secado osmo-convectivo de arndanos.
Moura et al.13 reportan que el modelo de Redes Neuronales alimentadas hacia delante
con el algoritmo Backprogation, han sido usadas para predecir las condiciones del
pretratamiento osmtico y secado convectivo de rodajas de yacn (Polymnia
sonchifolia). El estudio verifico la influencia de las variables, temperatura y
concentracin de la solucin osmtica y espesor de las rodajas a travs de un diseo
compuesto central para determinar la reduccin de peso y la ganancia de slidos en el

pretratamiento osmtico. Despus del secado convectivo algunas condiciones de

temperatura del secador, concentracin de solucin osmtica y espesor de las rodajas de
yacn fueron probadas para verificar la influencia en el tiempo de secado. La
configuracin ptima del modelo de Red Neuronal fue obtenida por variacin de los
principales parmetros como funcin de transferencia, tasa de aprendizaje, nmero de
iteraciones, neuronas ocultas, intervalo de normalizacin, datos de entrenamiento y
validacin. Los resultados indicaron que es factible el uso de modelo de Redes
Neuronales para la prediccin y optimizacin del pretratamiento osmtico y proceso de
secado del yacn.
Bala et al.14 evaluaron el rendimiento de un secador de tnel solar para el secado de
bulbos de jackfruit y cscaras. El secador consisti de un colector de placa plana de
plstico transparente conectado en serie para proporcionar aire caliente dentro del tnel
del secador. El uso del secador de tnel solar permiti una reduccin considerable del
tiempo de secado y buena calidad del producto seco en comparacin con los productos
secados al sol. Una Red Neuronal multicapa fue usada para predecir la actuacin del
secador de tnel solar. Usando los datos del secador solar, el modelo fue entrenado
usando algoritmos Backpropagation. La prediccin de la actuacin del secador fue
excelente, despus de un adecuado entrenamiento, Por lo que puede utilizarse para
predecir el potencial del secador para condiciones diferentes y tambin puede usarse en
un control ptimo predictivo.
Es as que dentro de este contexto se ha tenido como objetivo evaluar el nivel de
prediccin de la Red Neuronal Backpropation en 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.

2. DISEO EXPERIMENTAL, MARCO TERICO Y PLANTEAMIENTO DE

HIPTESIS
Diseo experimental
A la papilla de camote-quinua-kiwicha, previamente preparada, se determin su
porcentaje de humedad, la que fue secada a dos presiones de operacin dentro del
tambor rotatorio (3 y 5 atm), haciendo variar para cada caso respectivamente a las
velocidades de 4, 7 y 11 rpm, obtenindose hojuelas a las cuales se les determin su
humedad, almacenndose en bolsas de polietileno (Fig. 1). La impregnacin de la
papilla al secador se realiz con un rodillo de alimentacin sumergido en la papilla
aproximadamente 1 cm. Para el proceso de secado se procedi al encendido de las
hornillas de gas propano para la produccin del vapor en el caldero, tomando un tiempo
de 103 minutos para llegar a 105 psi, inmediatamente de regulada la presin requerida
con la vlvula reductora, se puso en operacin el motoreductor a la velocidad deseada.

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

Figura 1. Diseo experimental para evaluar efecto de la velocidad y presin de

operacin de un secador tambor en la humedad de hojuelas de camote,
quinua y kiwicha.
Marco terico:
Secado en tambor
En esta operacin se calientan internamente mediante vapor presurizado a 120-170 C,
tambores huecos de acero que giran a velocidad controlada. Los secadores de tambor
presentan velocidades de secado y eficiencia energtica altas. Resultan apropiados para
suspensiones en las que las partculas son demasiado grandes. Por tanto el secado en
tambor por lo general se aplica a alimentos viscosos y semislidos2.
Las condiciones ptimas de operacin de los secadores de tambor se alcanzan mediante
el control de varias variables del proceso que incluyen:

Contenido de slidos de la alimentacin, que podra ser pre-concentrado por

evaporacin antes de ser aplicado sobre la superficie del tambor.
La alimentacin podra estar precalentada.
La velocidad de alimentacin del tambor podra ajustarse para regular el tiempo de
residencia.
La temperatura de la superficie del tambor.
La rugosidad de la superficie del tambor.
Las cuchillas flexibles pueden moverse para que ajusten de manera segura contra la
superficie del tambor.

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,

constituyendo un sistema con funcionalidad propia. Un conjunto de estos subsistemas

da lugar a un sistema global (sistema nervioso, en el caso biolgico). En la realizacin
de un sistema neuronal artificial puede establecerse una estructura jerrquica similar. El
elemento esencial de partida ser la neurona artificial, que se organizar en capas; varias
capas constituirn una red neuronal; y, por ltimo, una red neuronal (o conjunto de
ellas), junto con las interfases de entrada y salida, ms los mdulos convencionales
adicionales necesarios constituirn el sistema global de proceso (Fig. 2)17.
E
N
T
R

F( )

SALIDAS

D
A
NEURONA

S
Capa
Red
Parte algortmica

Figura 2. Estructura jerrquica de un sistema basado en Sistemas Neuronales

Artificiales
Un sistema neuronal o conexionista, est compuesto de los siguientes elementos:
-

Un conjunto de procesadores elementales.

Un patrn de conectividad o arquitectura.
Una dinmica de activaciones
Una regla o dinmica de aprendizaje.
El entorno donde opera.

El modelo general de una Neurona Artificial, es un dispositivo de clculo que, a partir

de un vector de entrada procedente del exterior o de otras neuronas, proporciona una
nica respuesta de salida. Los elementos que constituyen la neurona de etiqueta i son los
siguientes (Fig. 3):
- Un conjunto de entradas xj (t).
- Pesos sinpticos de la neurona i, wij, que representan la intensidad de interaccin entre
cada neurona presinptica j y la neurona postsinptica i.

- 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

Figura 3. Modelo genrico de una Neurona Artificial

Fuente: Martn del Bro y Sanz Molina17.
De este modo la operacin de la neurona i puede expresarse como:
yi (t) = Fi {fi [ai (t 1), i (wij, xj (t))]}

(1)

Este modelo de neurona formal se inspira en la biolgica, en el sentido de integrar una

serie de entradas y proporcionar cierta respuesta, que se propaga por el axn17.
En Redes Neuronales se distinguen tres tipos de capas: de entrada, de salida y ocultas.
Una capa de entrada o sensorial est compuesta por neuronas que reciben datos o
seales procedentes del entorno. Una capa de salida es aquella cuyas neuronas
proporcionan la respuesta de la Red Neuronal. Una capa oculta es aquella que no tiene
una conexin directa con el entorno. Este tipo de capa proporciona a la Red Neuronal
grados de libertad adicionales, gracias a los cuales puede encontrar representaciones
internas correspondientes a determinados rasgos del entorno, proporcionando una
mayor riqueza computacional.
En relacin a su estructura se consideran redes monocapa y de redes multicapa17
(layered network). Asimismo, atendiendo al flujo de datos de la Red Neuronal, se tienen

de redes unidireccionales (feedforward network) y redes recurrentes o retroalimentadas

(feedback)17.
Las redes unidireccionales (feedforward network) adicionalmente poseen una neurona
bias en las capas intermedias, la cual se define como un grado de libertad adicional,
permitiendo una mejor adaptacin al conocimiento suministrado por parte de la Red
Neuronal19. Cada neurona recibe seales de entrada a partir de mltiples entradas en
proporcin a sus pesos de conexin. El proceso iterativo de ajustar los pesos de
conexin de la red en respuesta a varios ejemplos presentados a la Red se llama
entrenamiento. La idea bsica del entrenamiento es lograr un nico grupo de pesos de
conexin necesarios para las salidas que deben ser cercanas a las salidas deseadas, para
todos los ejemplos usados en el entrenamiento.
Los pesos en la Red Neuronal representan el estado de conocimiento de la Red. El
entrenamiento de la Red Neuronal puede ser usado para predecir las salidas
correspondientes a un grupo de nuevas entradas. Un entrenamiento suficiente de la red
es esperada para producir salidas satisfactoriamente cercanas a las salidas reales12.
Las RNA han demostrado una gran capacidad de previsin, pero presentan algunas
limitaciones dentro de los cuales destaca el que, en todos los procesos de
interconexiones entre neuronas y capas, la correccin del error es una previsin del error
deseado, la cual es efectuada de manera que no existe una inferencia directa. Tambin
debe tenerse cuidado para evitar una saturacin de la red por sobreentrenamiento, ya
que periodos muy largos de entrenamiento hacen que la red tome decisiones arbitrarias,
perdiendo su capacidad de generalizacin18.
El modelamiento por Redes Neuronales es esencialmente en naturaleza una caja negra,
no prioriza conocimiento a cerca del proceso y la existencia de algn conocimiento
prioritario es ignorado. La capacidad de la Red Neuronal para aprender aproximaciones
no paramtricas o estructuras libres es vlida, pero es frgil. Las Redes Neuronales
tpicas tienen muchos parmetros internos (pesos y bias) y estos podran llevar a un
sobre entrenamiento del ruido y a una funcin inadecuada, resultando una pobre
generalizacin. Esta fragilidad de la Red Neuronal ha fomentado investigaciones en el
sentido de combinar Redes Neuronales con otros componentes, tal como la lgica difusa
y el filtrado Kalman20.
Un problema debe poseer ciertas caractersticas para su resolucin con Redes
Neuronales17:
a. Caractersticas que debe cumplir el problema:
- No se dispone de un conjunto de reglas sistemticas que describan completamente el
problema.
- Los datos procedentes del problema son imprecisos.
- El problema es de elevada dimensionalidad.
- Una circunstancia frecuente es que los mtodos de RNA proporcionan, una
alternativa mucho ms rpida y sencilla de desarrollar, que otras tcnicas
convencionales.

- 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.

Por la utilizacin de esta estructura de Red, el programa continua realizando

alteraciones en las conexiones internas a travs de un proceso de prueba y error, hasta
obtener un determinado nivel de certeza18.
El algoritmo BP soluciona el problema de entrenar los nodos de las capas ocultas
pertenecientes a arquitecturas multicapa. Para ello se plantea una funcin de error
similar a:
p

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:

- Planteamiento del problema: Es necesario realizar una descripcin detallada del

problema para averiguar si este podr ser resuelto por un mdulo neuronal.
- Requerimientos del sistema: Se debe responder en forma concreta las especificaciones
que debe cumplir el sistema.
- Revisin bibliogrfica: Es recomendable realizar un sondeo en busca de una
aplicacin parecida a la que se plantea.
- Eleccin del modelo de RNA.
- Datos disponibles y seleccin de variables relevantes: Es preciso saber la forma en
que se va a disponer de los datos. Si estn presentes todos a la vez se puede hacer un
aprendizaje por lotes (batch). Tambin se necesita conocer la cantidad de ejemplos
que se puede emplear en el entrenamiento, ya que en el caso de ser un nmero
pequeo quiz haya que aplicar alguna tcnica especfica de entrenamiento para pocos
patrones.
- Eleccin de los conjuntos de aprendizaje y test: La condicin que se debe imponer a
los ejemplos (patrones) que se presentan a las RNA para llevar a cabo el
entrenamiento, es que sean un nmero suficiente como para ser representativos del
fenmeno que se quiere modelar.
- Pre-procesamiento: Es el tratamiento previo de los datos de entrada y salida para
adecuarlos a su tratamiento por la Red Neuronal.
- Proceso de entrenamiento: Se debe ensayar con diferentes topologas y con distintos
parmetros de aprendizaje, midiendo el error de aprendizaje y el de generalizacin,
hasta alcanzar los deseados.
- Evaluacin de resultados: Finalizada la fase de entrenamiento y almacenados los
pesos ideales, ya se est en disposicin de aplicar las RNA sobre casos nuevos (no
empleados en el entrenamiento) para medir su eficacia en forma completamente
objetiva. Si se comprueba que se siguen obteniendo resultados dentro del margen de
error deseado, se puede proceder a emplear la RNA dentro de su entorno de trabajo
real.
El desempeo de la Red Neuronal se determina por el error cuadrado medio (mse), que
es el promedio del error cuadrado medio entre las salidas de la red (a) y las salidas
deseadas o esperadas (t).
Q

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

La entrada de vapor y la salida de condensado, fue realizada a travs de un sistema de

sello de vapor por accin de resortes se ajuste sobre bocinas de bronce fundido, que
permite al secador rotatorio girar libremente y de acuerdo a velocidad comunicada por
el motoreductor regulable.
Mtodos:
Diseo de la investigacin
La investigacin sobre prediccin por Redes Neuronales Artificiales, de la humedad de
hojuelas de camote.quinua-kiwicha por efecto de la variacin de los niveles de presin
de vapor de operacin y velocidad de rotacin de un secador de tambor rotatorio, se
realizo en dos etapas: la primera fue la fase experimental cuyo detalle se muestra a
continuacin y se ha explicado en el diseo experimental.
Presin de operacin
(3, 5 atm)
Velocidad de rotacin
(4, 7, 11 rpm)

Secado hojuelas de camotequinua-kiwicha en tambor

rotatorio

Humedad (%)

La segunda fase fue la determinacin de la capacidad predictiva de la Red Neuronal, la

que se realizo escogiendo aleatoriamente el 67 % de los datos de entrada y salida
obtenidos de la fase experimental. Posteriormente se determin la mejor topologa de la
red sobre la base de la evaluacion del error cuadrtico medio (mse), variando el nmero
de neuronas en la capa oculta, nmero de capas ocultas y funcin de transferencia.
Obtenida mejor topologa de la red, se procedi a su validacin, para verificar su
capacidad predictiva, evalundose asimismo el error entre las salidas esperadas y las
obtenidas por la red; complementndose este con un anlisis postentrenamiento en la
rutina de MATLAB.

Datos de entrada ( 67 %)

Red Neuronal
Backpropagation

Presin de operacin
Velocidad de rotacin

Datos de entrada ( 33 %)

Datos de salida (67 %)

Humedad

Red Neuronal
Backpropagation con la
mejor topologa

Datos de salida (33 %)

Para la elaboracin de la papilla se us camote amarillo; su estado adecuado fue

determinado por anlisis de almidn y azcares reductores. El diagrama de flujo para la
elaboracin de hojuelas se muestra a continuacin (Fig. 5).

Camote

pesado

seleccin

lavado

pelado

cortado

kiwicha

quinua

sulfitado

molienda

coccin

harina

triturado

mezclado

estandarizado

secado

hojuelas

Figura 5. Diagrama de flujo de la preparacin y secado de hojuelas de camote con

quinua y quiwicha
Los camotes fueron cortados cocidos en agua durante 7 minutos, luego triturados para
obtener una masa. La quinua y kiwicha fueron molidas para facilitar la operacin de
mezclado.

El secado se realiz por eliminacin de agua de la papilla en forma de vapor por

contacto directo de la superficie caliente del secador rotatorio. El producto seco se
desprendi de la superficie mediante una cuchilla de acero inoxidable.
Resultados:
1. Para el entrenamiento se tom aleatoriamento el 67 % de los datos y para la
validacin el 33 % (Cuadro 1, datos en rojo). Se tom este criterio con el fin de
tener por lo menos un dato por tratamiento).
Cuadro 1. Humedad resultante de la variacin de la presin y velocidad del secador de
tambor rotatorio
Tratamientos
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

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

Humedad final (%)

7.17
7.97
7.89
5.59
6.19
5.71
7.10
6.65
8.20
4.93
3.45
2.88
3.88
5.71
6.19
9.44
7.14
7.67

Se vari en nmero de neuronas en la capa intermedia encontrndose que con 9

neuronas se produce el menor error cuadrtico medio (mse) de 0.251813, para lo
cual se utilizo la funcin de transferencia tangente sigmoidal (tansig), 2 entradas
(presin y velocidad) y 1 salida (% de humedad).
En el Cuadro 2, se observa los valores de mse encontrado con una RNA con
algoritmos de entrenamiento y ajuste de pesos Backpropagation y LevenbergMarquardt. Se utilizo la siguiente topologa (MATLAB):
p= [3 3 3 3 3 3 5 5 5 5 5 5; 4 4 7 7 11 11 4 4 7 7 11 11];
t= [7.97 7.89 5.59 5.71 7.10 6.65 4.93 3.45 3.88 5.71 7.14 7.67];
net=newff([3 5; 4 11],[9,1],{'tansig','purelin'},'trainlm');
net.trainParam.lr = 0.01;
net.trainParam.mc = 0.5;
net.trainParam.epochs = 6;
net.trainParam.goal = 1e-4;

[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

La grfica del desempeo de mse se observa en Fig. 6. Asimismo se cambio la funcin

de transferencia a logaritmo sigmoidal (logsig) y se aument el nmero de capas ocultas
hasta 4, observndose que el mse permaneca constante, con un valor de 0.251813.

Performance is 0.251813, Goal is 0.0001

10

10

Training-Blue Goal-Black

10

-1

10

-2

10

-3

10

-4

10

3
6 Epochs

Figura 6. Disminucin del error cuadrtico medio (mse) durante el entrenamiento de la

RNA Backpropagation con 6 etapas de aprendizaje
2. En vista que el error era alto se procedi a normalizar las salidas con el objeto de
reducir los niveles de error. Igualmente se vari el nmero de neuronas en la capa
intermedia, encontrndose que con 2 neuronas y 15 etapas de entrenamiento se
produce el menor error cuadrtico medio (mse) de 0.000326577, para lo cual se
utiliz igualmente la funcin de transferencia tangente sigmoidal (tansig), 2 entradas
(presin y velocidad) y 1 salida (% de humedad).
En el Cuadro 3, se observa los valores de mse encontrado con una RNA con
algoritmos de entrenamiento y ajuste de pesos Backpropagation y LevenbergMarquardt. Se utilizo la siguiente topologa (MATLAB).
p= [3 3 3 3 3 3 5 5 5 5 5 5; 4 4 7 7 11 11 4 4 7 7 11 11];
t= [0.2871 0.2842 0.2014 0.2057 0.2558 0.2396 0.1776 0.1243 0.1398 0.2057
0.2572 0.2763];
net=newff([3 5; 4 11],[2,1],{'tansig','purelin'},'trainlm');
net.trainParam.lr = 0.01;
net.trainParam.mc = 0.5;
net.trainParam.epochs = 15;
net.trainParam.goal = 1e-4;
[net,tr]=train(net,p,t);
Donde se observa las salidas normalizadas, la utilizacin de una tasa de aprendizaje
de 0.01, coeficiente de momento de 0.5, 15 etapas de aprendizaje y una meta de

error de 1e-4, habindose llegado, como se menciona lneas arriba a un error de

0.000326577.
Para validar se uso igual que en el caso anterior 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)
Se observa igualmente en el Cuadro 3 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 3. Datos normalizados para la validacin de la Red Neuronal
Backpropagation
Presin
(atm)

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

La grfica del desempeo de mse se observa en Fig. 7. Asimismo se cambio la

funcin de transferencia a logaritmo sigmoidal (logsig) y se aument el nmero de
capas ocultas hasta 2, observndose que el mse permaneca constante, con un valor
de 0.000326577.

Performance is 0.000326577, Goal is 0.0001

10

Training-Blue Goal-Black

10

-1

10

-2

10

-3

10

-4

10

10

15

15 Epochs

Figura 7. Disminucin del error cuadrtico medio (mse) durante el entrenamiento de la

RNA Backpropagation con 15 etapas de aprendizaje
En la Fig. 8, se observa la tendencia o ajuste del 33% de los datos que se utilizaron para
la validacin de la RNA. Notndose similitud de tendencia entre los valores de
humedad esperados (T reales) y los valores obtenidos (A predichos por la RNA)

HUmedad (%)

10
8
6
4
2
0
0

Tratamientos de validacin
Humedad (%) real -T-

Humedad (%) predicha -A-

Figura 8. Tendencia de los valores de humedad durante la validacin entre los valores
reales (esperados) y los valores obtenidos por la RNA (predichos)

En la Fig. 9, se observa una grfica de anlisis postprocesamiento, donde se muestra un

anlisis de regresin entre las respuestas de la red (A) y las correspondientes salidas
deseadas (T). La lnea roja representa la mejor regresin lineal correspondiente a las
salidas deseadas. Si las salidas deseadas fueran igual a las obtenidas por la red la
pendiente sera de 1 y el intercepto de cero. El coeficiente de correlacin (R) de 1 indica
que hay una perfecta correlacin entre las salidas obtenidas por la red y las salidas
esperadas, en este caso un R de 0.823 indica que no hay una correlacin positiva fuerte,
lo que se traduce en un error entre -22.5 y 45.5%. Asimismo por esta razn existe una
diferencia entra la lnea de mejor regresin y la lnea perfecta (lneas azules punteadas).

Best Linear Fit: A = (0.55) T + (2.47)

10
9

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.

Desde la estadstica se han propuesto diferentes estrategias de anlisis de datos faltantes,

como la imputacin directa de la media, moda, o mediana, la imputacin por regresin,
la imputacin mltiple, o el algoritmo expectativa-maximizacin22.
Consideradas globalmente, se trata de tcnicas que palian en parte el problema de la
falta de informacin, si bien no se pueden considerar soluciones ptimas por dos
motivos principales: (1) pueden provocar un importante sesgo en las posteriores
estimaciones realizadas sobre los datos completos, especialmente de variancias y
covariancias, y (2) requieren el cumplimiento de determinados supuestos sobre la
distribucin de los datos.
Otra estrategia de anlisis de datos que contienen valores faltantes, ampliamente
utilizada en la prctica e implementada como opcin por defecto en los paquetes
estadsticos de uso ms habitual, consiste en eliminar del anlisis los registros que
presentan algn valor faltante. Este mtodo implica una sustancial mengua del tamao
muestral, que conlleva a su vez una reduccin en la precisin de las estimaciones de los
parmetros poblacionales y, adems, una disminucin de la potencia de las pruebas
estadsticas de significacin, por lo que en general es desaconsejable.

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