| Revue: | Evidencia : biotecnologia e alimentos |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000356902 |
| ISSN: | 1519-5287 |
| Autores: | Andrade, Flaviana Diuk Gonzales, Tatiane Alegre, Ranulfo Monte1 Duarte, Elis Regina2 |
| Instituciones: | 1Universidade Estadual de Campinas, Campinas, Sao Paulo. Brasil 2Universidade Estadual de Ponta Grossa, Ponta Grossa, Parana. Brasil |
| Año: | 2010 |
| Periodo: | Ene-Dic |
| Volumen: | 10 |
| Número: | 1-2 |
| Paginación: | 27-42 |
| País: | Brasil |
| Idioma: | Portugués |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en inglés | The succinic acid is a microorganism common metabolite used in the food market which is produced exclusively by fermentation, and great attention has been given to the use of renewable raw materials for this purpose. This study aimed to determine the variables that influence the production of succinic acid by fermentation using Actinobacillus succinogenes strain (CIP 106512) through a fractional factorial design and to test different architectures of artificial neural networks to model this process. Artificial neural networks are madeof three layers and were the Multilayer Perceptron (MLP) type, with Backpropagation learning algorithm. Experimental data for learning and testing of networks were used, 13 and 6, respectively. The number of neurons in the hidden layer, learning rate and activation functions was varied. After evaluation of architectures, it was found that the sigmoidal activation function showed a better performance than the hyperbolic tangent and that the number of neurons and learning rate directly influence the error. The neural model with the lowest squared error was the network with the sigmoid function, learning rate 0,1 and 5 neurons in the intermediate layer. This work allowed to determine which variables most influence in the succinic acid production and in the construction of the neural model for this process |
| Resumen en portugués | O ácido succínico, metabólito comum de microrganismos, utilizado no mercado alimentício é produzido exclusivamente por via fermentativa e grande atenção tem sido dada para o uso de matérias-primas renováveis para esse fim. Este trabalho teve como objetivo determinar as variáveis que influenciam na produção de ácido succínico por via fermentativa utilizando a cepa Actinobacillus succinogenes (CIP 106512) por meio de um planejamento fatorial fracionário e testar diferentes arquiteturas de redes neurais artificiais para modelar esse processo. As redes neurais artificiais (RNAs) utilizadas possuem três camadas e foram do tipo Multilayer Perceptron (MLP), com o algoritmo de aprendizagem Backpropagation . Utilizaram-se 13 e 6 dados experimentais para a aprendizagem e teste das redes, respectivamente. Variaram-se os números de neurônios da camada intermediária, a taxa de aprendizagem e as funções de ativação. Após a avaliação das arquiteturas, verificou-se que a função de ativação sigmoidal apresentou um melhor desempenho comparada à tangente hiperbólica e que o número de neurônios e taxa de aprendizagem influenciam diretamente no erro. O modelo neural que apresentou o menor erro quadrático foi a rede com a função sigmoidal, taxa de aprendizagem 0,1 e 5 neurônios na camada intermediária. Com o desenvolvimento deste trabalho foi possível determinar as variáveis que mais influenciam na produção do ácido succínico e a construção do modelo neural para o processo |
| Disciplinas: | Química, Ciencias de la computación |
| Palabras clave: | Fermentaciones, Biotecnología, Automatización de procesos, Redes neuronales, Bioproducción, Acido succínico, Actinobacillus succinogenes |
| Keyword: | Chemistry, Computer science, Fermentation, Fermentations, Biotechnology, Processes automation, Neuronal networks, Bioproduction, Succinic acid, Actinobacillus succinogenes |
| Texte intégral: | Texto completo (Ver PDF) |
