Resumen de Predicción del comportamiento termogravimétrico de la energía de activación de los residuos cáscara de papa (solanum tuberosum)

Michel Abigail Jara Romero, Luis Santiago Carrera Almendáriz, Marlene García Veloz, Ana Gabriela Flores Huilcapi

• español

  El uso de combustibles fósiles genera un impacto negativo en el medio ambiente. Por lo que se ha impulsado la investigación del aporte energético de los residuos agroindustriales, pues en el ecuador el consumo anual de papa por persona está en 30 kg. El comportamiento térmico de materiales como la cáscara de papa se determina por termogravimetría. Esta investigación desarrolló una red neuronal artificial capaz de predecir el comportamiento termogravimétrico de la energía de activación en los residuos de cáscara de papa (Solanum tuberosum). Se utilizaron datos experimentales del análisis termogravimétrico de la cáscara de papa y cálculos mediante modelos cinéticos propuestos, estableciendo una base de 100 datos en el modelo de predicción. El desarrollo de la red se llevó a cabo en el software Matlab con tres variables de entrada correspondientes al tiempo, temperatura y peso. Se desarrollaron 375 neuronas en la capa oculta de acuerdo con el coeficiente de correlación de pearson de 1 y error cuadrático medio de 2,327E-09 que evidenciaron como mejor algoritmo de entrenamiento el de regularización bayesiana; por último, se empleó una variable de salida correspondiente a la energía de activación calculada por el método cinético de Flynn Wall Ozawa, validando de esta manera al modelo de predicción con un valor del 95% de confianza. La información de la energía de activación real obtenidos por termogravimetría y predicha por la red neuronal artificial muestran estadísticamente que no existe una diferencia significativa, de tal manera que el método de predicción de redes neuronales artificiales desarrollado resulta muy efectivo para la predicción de la energía de activación de los residuos de cáscara de papa.

• English

  The use of fossil fuels generates a negative impact on the environment. For this reason, research on the energy contribution of agro-industrial residues has been promoted, since in Ecuador the annual consumption of potatoes per person is 30 kg. The thermal behavior of materials such as potato skins is determined by thermogravimetry. This research developed an artificial neural network capable of predicting the thermogravimetric behavior of activation energy in potato peel residues (Solanum tuberosum). Experimental data from thermogravimetric analysis of potato peel and calculations using proposed kinetic models were used, establishing a base of 100 data in the prediction model. The development of the network was carried out in Matlab software with three input variables corresponding to time, temperature and weight. 375 neurons were developed in the hidden layer according to a Pearson correlation coefficient of 1 and a mean square error of 2.327E09, which showed the Bayesian regularization as the best training algorithm; Finally, an output variable corresponding to the activation energy calculated by the Flynn Wall Ozawa kinetic method was used, thus validating the prediction model with a 95% confidence value. The information of the real activation energy obtained by thermogravimetry and predicted by the artificial neural network show statistically that there is no significant difference, in such a way that the artificial neural network prediction method developed is very effective for the prediction of the activation energy. activation of potato peel residues.

• português

  O uso de combustíveis fósseis gera um impacto negativo no meio ambiente. Por isso, tem sido promovida a pesquisa sobre a contribuição energética dos resíduos agroindustriais, já que no Equador o consumo anual de batatas por pessoa é de 30 kg. O comportamento térmico de materiais como cascas de batata é determinado por termogravimetria. Esta pesquisa desenvolveu uma rede neural artificial capaz de prever o comportamento termogravimétrico da energia de ativação em resíduos de casca de batata (Solanum tuberosum). Foram utilizados dados experimentais da análise termogravimétrica da casca de batata e cálculos utilizando os modelos cinéticos propostos, estabelecendo uma base de 100 dados no modelo de predição. O desenvolvimento da rede foi realizado no software Matlab com três variáveis de entrada correspondentes a tempo, temperatura e peso. 375 neurônios foram desenvolvidos na camada oculta de acordo com um coeficiente de correlação de Pearson de 1 e um erro quadrático médio de 2,327E-09, que mostrou a regularização Bayesiana como o melhor algoritmo de treinamento; Por fim, foi utilizada uma variável de saída correspondente à energia de ativação calculada pelo método cinético Flynn Wall Ozawa, validando assim o modelo de predição com um valor de confiança de 95%. As informações da energia de ativação real obtida pela termogravimetria e predita pela rede neural artificial mostram estatisticamente que não há diferença significativa, de modo que o método de predição da rede neural artificial desenvolvido é muito eficaz para a predição da energia de ativação. de resíduos de casca de batata.