| Journal: | Facultad de Ingeniería - Universidad Pedagógica y Tecnológica de Colombia |
| Database: | PERIÓDICA |
| System number: | 000441673 |
| ISSN: | 0121-1129 |
| Authors: | García Castellanos, Beatriz1 Pérez Ones, Osney2 Zumalacárregui de Cárdenas, Lourdes2 Blanco Carvajal, Idania1 López de la Maza, Luis Eduardo2 |
| Institutions: | 1Instituto Cubano de Investigación de Derivados Caña de Azúcar, La Habana. Cuba 2Universidad Tecnológica de la Habana "José Antonio Echeverría", La Habana. Cuba |
| Year: | 2020 |
| Season: | Ene-Mar |
| Volumen: | 29 |
| Number: | 54 |
| Country: | Colombia |
| Language: | Inglés |
| Document type: | Artículo |
| Approach: | Aplicado, descriptivo |
| Spanish abstract | El proceso de añejamiento de ron experimenta pérdidas de volumen, denominadas mermas. Las variables numéricas de operación: producto, rambla, posiciones horizontal y vertical, fecha, volumen, grado alcohólico, temperatura, humedad y tiempo de añejamiento, registradas en bases de datos, contienen información valiosa para estudiar el proceso. Se utilizó el software MATLAB 2017 para estimar las pérdidas en volumen. En la modelación del proceso de añejamiento de ron se utilizó la red neuronal perceptrón multicapa con una y dos capas ocultas, variándose el número de neuronas en estas entre 4 y 10. Se compararon los algoritmos de entrenamiento Levenberg-Marquadt (L-M) y Bayesiano (Bay). El incremento en 6 iteraciones consecutivas del error de validación y 1 000 como número máximo de ciclo de entrenamiento fueron los criterios utilizados para detener el entrenamiento. Las variables de entrada a la red fueron: mes numérico, volumen, temperatura, humedad, grado alcohólico inicial y tiempo de añejamiento, mientras que la variable de salida fue mermas. Se procesaron 546 pares de datos de entrada/salida. Se realizaron las pruebas estadísticas de Friedman y Wilcoxon para la selección de la arquitectura neuronal de mejor comportamiento de acuerdo al criterio del error cuadrático medio (MSE). La topología seleccionada presenta la estructura 6-4-4-1, con un MSE de 2.1∙10-3 y un factor de correlación (R) con los datos experimentales de 0.9981. La red neuronal obtenida se empleó para la simulación de trece condiciones iniciales de añejamiento que no fueron empleadas para el entrenamiento y la validación, detectándose un coeficiente de determinación (R2) de 0.9961 |
| English abstract | The rum aging process shows volume losses, called wastage. The numerical operation variables: product, boardwalk, horizontal and vertical positions, date, volume, alcoholic degree, temperature, humidity and aging time, recorded in databases, contain valuable information to study the process. MATLAB 2017 software was used to estimate volume losses. In the modeling of the rum aging process, the multilayer perceptron neuronal network with one and two hidden layers was used, varying the number of neurons in these between 4 and 10. The Levenberg-Marquadt (LM) and Bayesian training algorithms were compared (Bay) The increase in 6 consecutive iterations of the validation error and 1,000 as the maximum number of training cycles were the criteria used to stop the training. The input variables to the network were: numerical month, volume, temperature, humidity, initial alcoholic degree and aging time, while the output variable was wastage. 546 pairs of input/output data were processed. The statistical Friedman and Wilcoxon tests were performed to select the best neural architecture according to the mean square error (MSE) criteria. The selected topology has a 6-4-4-1 structure, with an MSE of 2.1∙10-3 and a correlation factor (R) with experimental data of 0.9898. The neural network obtained was used to simulate thirteen initial aging conditions that were not used for training and validation, detecting a coefficient of determination (R2) of 0.9961 |
| Portuguese abstract | O processo de envelhecimento de rum experimenta perdas de volume, denominadas mermas. As variáveis numéricas de operação: produto, rambla, posições horizontal e vertical, data, volume, grau alcoólico, temperatura, humidade e tempo de envelhecimento, registradas em bases de dados, contêm informação valiosa para estudar o processo. Utilizou-se o software MATLAB 2017 para estimar as perdas em volume. Na modelação do processo de envelhecimento de rum utilizou-se a rede neuronal perceptron multicamada com uma e duas camadas ocultas, variando-se o número de neurônios nestas entre 4 e 10. Compararam-se os algoritmos de treinamento Levenberg-Marquadt (L-M) e Bayesiano (Bay). O incremento em 6 iterações consecutivas do erro de validação e 1 000 como número máximo de ciclo de treinamento foram os critérios utilizados para deter o treinamento. As variáveis de entrada à rede foram: mês numérico, volume, temperatura, humidade, grau alcoólico inicial e tempo de envelhecimento, enquanto que a variável de saída foi mermas. Processaram-se 546 pares de dados de entrada/saída. Realizaram-se as provas estatísticas de Friedman e Wilcoxon para a seleção da arquitetura neuronal de melhor comportamento de acordo ao critério do erro quadrático médio (ECM). A topologia selecionada apresenta a estrutura 6-4-4-1, com um ECM de 2.1∙10-3 e um fator de correlação (R) com os dados experimentais de 0.9981. A rede neuronal obtida empregou-se para a simulação de treze condições iniciais de envelhecimento que não foram empregadas para o treinamento e a validação, detectando-se um coeficiente de determinação (R2) de 0.9961 |
| Disciplines: | Ciencias de la computación, Química |
| Keyword: | Redes, Química de alimentos, Bebidas alcohólicas, Ron, Añejamiento, Mermas, Modelación computacional, Redes neuronales artificiales |
| Keyword: | Food chemistry, Networks, Rum, Aging, Artificial neural networks, Computational models, Rum, Volume losses |
| Full text: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
