MODELOS BIOESTADISTICOS EN LA INGENIERA EN ALIMENTOS

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES

CONTENIDO: Glosario de Trminos Introduccin Objetivos Metodologa

Determinacin Humedad Desarrollo de Red Neuronal Anlisis Estadstico

Resultados y Conclusiones

Glosario de Trminos Introduccin Objetivos Metodologa

Determinacin Humedad Desarrollo de Red Neuronal Anlisis Estadstico

Resultados y Conclusiones

 ACTIVIDAD DE AGUA: La actividad de agua (aw) es un parmetro que

indica la disponibilidad de agua en un alimento para que existan reacciones qumicas, bioqumicas (p.e. oxidacin de lpidos, reacciones enzimticas, reaccin de Maillard) y desarrollo microbiano [5]. Por esto la actividad de agua es un parmetro bastante usado como indicador para predecir la vida til de un alimento.

ISOTERMA : La isoterma de un producto relaciona grficamente, a una

temperatura constante, el contenido en humedad de equilibrio de un producto con la actividad termodinmica del agua del mismo, ya que en el equilibrio, este ltimo parmetro es igual a la humedad relativa del aire que rodea al producto.

ADSORCIN : Propiedad de Adhesin respecto a una superficie o poros DESORCIN : Contrario de Adsorcin; eliminacin de materia REDES NEURONALES : Modelo matemtico inspirado en el funcionamiento
de las neuronas biolgicas. Conformado por varias unidades de procesamiento (neuronas) interligadas por conexiones (sinapsis)

Glosario de Trminos Introduccin Objetivos Metodologa

Determinacin Humedad Desarrollo de Red Neuronal Anlisis Estadstico

Resultados y Conclusiones

INTRODUCCION
En la Industria Alimenticia: ISOTERMAS en alimentos brindan informacin:
para la optimizacin del proceso de secado la seleccin del material de empaquetamiento la prediccin de la vida til del producto y, de la evolucin en el contenido de humedad durante el almacenamiento. ANTECEDENTES * (aw) -> TERMODINAMICA -> Relacin Pi/Pio Det. REACCIONES DETERIORATIVAS -> Bioq y Micbio * Relacin aw vs. Humedad -> ISOTERMAS DE ADSORCION

Cont.
(aw) vs. Humedad -> Relacin no lineal I S O T E R M A Desarrollo Matemtico [Estadstica Paramtrica]>> MODELOS REGRESIONALES (Lin. y N. Lin.) -> Exp. 3 Zonas

LIMITACIN DE MODELOS
Difcilmente hallar un modelo Universal Limitada habilidad predictiva

Isotermas de adsorcin
Una isoterma de absorcin nos indica la cantidad de agua absorbida, o adsorbida en el componente con una actividad de agua conocida o presin de vapor relativa, cuando est en equilibrio. Las isotermas de adsorcin son importantes en cuatro procesos principales:
Secado Mezcla Empacado Almacenamiento

 MTODO ALTERNATIVO

REDES NEURONALES ARTIFICIALES

Red Neuronal
Arquitectura
Neuronas intermedias

Neuronas de Entrada

Neuronas de salda

Conexiones

Elemento Procesador

. . . k . . .

1 X1
W1u Xk Xn Yu = f (Entrada Neta u ) Wku Wnu

Yu

n
Entrada Neta u =

i =1

Xi Wiu

Yu = f (

i =1

Xi Wiu )

Elemento Procesador
Entrada / Funcin de Transferencia / Salida

CONTENIDO: Glosario de Trminos Introduccin Objetivos Metodologa

Determinacin Humedad Desarrollo de Red Neuronal Anlisis Estadstico

Resultados y Conclusiones

OBJETIVOS
DESARROLLAR UNA RED NEURONAL ARTIFICIAL (R.N.A.) PARA RECONOCIMIENTO DE PATRON NO LINEAL DE ISOTERMAS DE ADSORCION PARA HARINAS. COMPARAR LA HABILIDAD PREDICTIVA DEL MODELO R.N.A. vs. MODELOS CONVENCIONALES.

CONTENIDO: Glosario de Trminos Introduccin Objetivos Metodologa

Determinacin Humedad Desarrollo de Red Neuronal Anlisis Estadstico

Resultados y Conclusiones

METODOLOGA
MATERIALES y MTODOS
Determinacin de Humedad: Mtodo Gravimtrico Indirecto de Estufa al Vaco Construccin de ISOTERMAS: 6 Harinas y 1 leche en polvo Temp.: 25 C (+ - 1 C ) Recipientes 250 ml con humedad controlada Se midi (aw) x triple -> promedio En c/recipiente 2g. De producto: Humedad [g H2O/ g base seca) y (aw) Decagon CX2 3 rplicas

Cont.
Resultados y Discusiones Luego de 480 iteraciones -> pesos ptimos -> MAYOR HABILIDAD PREDICITIVA Dificultad eleccin de un software de simulacin 4 Ecuaciones -> hoja de clculo (EXCEL)

EN pj = w ji x pi +b j
i =1

EN pk = wkj x pj + b k
j =1

y pj = TANHj (ENpj )

y pk = f lineal ( EN pk )

Cont.
Desarrollo del modelo R.N.A. Organizacin de Estructura MATLAB Algoritmo de Entrenamiento Finalmente, EVALUAR modelo para R2 y SEE