Predicción por redes neuronales artificiales de la calidad fisicoquímica de vinagre de melaza de caña por efecto de tiempo-temperatura de alimentación a evaporador-destilador flash

• Autores: Víctor Vásquez V., Carlos Lescano A.
• Localización: Scientia Agropecuaria, ISSN-e 2306-6741, ISSN 2077-9917, Vol. 1, Nº. 1 (Enero - Marzo), 2010, págs. 63-73
• Idioma: español
• Títulos paralelos:
  • Prediction by artificial neural networks of the physicochemical quality of cane molasses vinegar by time-temperature effect of food to flash evaporator-distiller
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Se predijo por Redes Neuronales Artificiales (RNA) importantes características fisicoquímicas de vinagre de melaza: pH, densidad, acidez total, etanol, aldehídos totales y furfural; obtenidas mediante operaciones de evaporación flash y clarificación por destilación flash. Melaza fermentada por vía alcohólica y acética, fue alimentada a un evaporador flash a cuatro temperaturas (61, 66, 71 y 76 °C) y tres tiempos (25, 35 y 45 min). La predicción se realizó con dos redes: RNA-A y RNA-B, ambas con buen desempeño. La RNA-A fue del tipo feedforward (FF), con algoritmos de entrenamiento Backpropagation (BP) y ajuste de pesos Levenberg-Marquardt (LM), topología: 6 entradas (datos de las operaciones de evaporación-destilación flash), 7 salidas lineales (características fisicoquímicas), 9 neuronas tangente sigmoidales en 1 capa oculta, coeficiente de momento 0.5, tasa de aprendizaje 0.01, meta del error 0.0001 y 20 etapas de entrenamiento. La RNA-A mostró mejor desempeño que un modelo estadístico de primer orden. La RNA-B igualmente FF, con algoritmos BP y LM, topología: 2 entradas (datos de la evaporación flash), 7 salidas lineales (características fisicoquímicas), 84 neuronas logaritmo sigmoidales en 1 capa oculta, coeficiente de momento 0.5, tasa de aprendizaje 0.01, meta del error 0.0001 y 300 etapas de entrenamiento. La RNA-B mostró igual capacidad predictiva que un modelo estadístico de primer orden con interacción de términos.

  • English

    It was predicted via Artificial Neural Networks (ANN) important physicochemical characteristics of molasses vinegar: pH, density, total acidity, ethanol, total aldehydes and furfural, obtained by flash evaporation operations and flash distillation clarification. Alcoholic and acetic fermented molasses were fed to a flash evaporator at four temperatures (61, 66, 71 and 76 ° C) and in three times (25, 35 and 45 min). The prediction was made with two networks: ANN and ANN-A-B, both with good performance. The ANN-A was of the feedforward (FF) type with Backpropagation (BP) training algorithms and set of Levenberg-Marquardt (LM) weights adjustment, topology: 6 inputs (operations data of flash evaporation-distillation), 7 linear outputs (physicochemical characteristics), 9 tangent sigmoidal neurons in 1 hidden layer, 0.5 moment coefficient, 0.01 learning rate, 0.0001 error goal and 20 training stages. The ANN-A showed better performance than a statistical model of first order. The ANN-B also FF, BP and LM algorithms, topology: 2 inputs (data from flash evaporation), 7 linear outputs (physical and chemical characteristics), 84 logarithm sigmoid neurons in 1 hidden layer, 0.5 moment coefficient, 0.01 learning rate, 0.0001 error goal and 300 training stages. The ANN-B showed the same predictive capacity as a statistical model of the first-order with interaction of terms.