Diseño y optimización de una red neuronal artificial para el modelado del proceso de obtención de jarabe a partir del germen de maíz desgrasado



Título del documento: Diseño y optimización de una red neuronal artificial para el modelado del proceso de obtención de jarabe a partir del germen de maíz desgrasado
Revista: Anales de la Universidad Metropolitana
Base de datos: CLASE
Número de sistema: 000372134
ISSN: 1315-4109
Autores: 1
1
Instituciones: 1Universidad Simón Bolívar, Caracas, Distrito Federal. Venezuela
Año:
Volumen: 11
Número: 2
Paginación: 177-190
País: Venezuela
Idioma: Español
Tipo de documento: Artículo
Enfoque: Aplicado
Resumen en español El propósito de este trabajo fue desarrollar una red neuronal artificial para el modelado predictivo del proceso de obtención de jarabe a partir del germen desgrasado de maíz. Se consideraron como parámetros de entrenamiento de la red el número de capas ocultas de neuronas, el número de neuronas por capa oculta, la tasa de aprendizaje y los factores de incremento y disminución de la misma, los cuales se optimizaron mediante un diseño de superficie de respuesta Box-Behnken. Luego de entrenar la red mediante un algoritmo de retro-propagación del error, se obtuvo como resultado del análisis del diseño estadístico un modelo conformado por una capa oculta de seis neuronas, operando con una tasa de aprendizaje de 0,05 y factores de incremento y disminución de la misma en el orden de 1,5 y 0,04 respectivamente, permitiendo, mediante datos de validación, el reconocimiento de 99,78% de la variabilidad de los datos experimentales para las condiciones tecnológicas empleadas en la obtención de carbohidratos fermentables a partir del germen desgrasado de maíz
Resumen en inglés The purpose of this work was to develop an artificial neural network for predictive modeling of syrup production from defatted corn germ. The training parameters of the network were the number of hidden neuron layers, the number of neurons inside each hidden layer, the learning rate and the factors for increase and decrease the learning rate. These parameters were optimized through a response surface design Box Behnken. Once the network was trained using a back-propagation algorithm and after the statistical design analysis, a model composed by one hidden layer of six neurons, operating with a learning rate of 0.05 and factors for increase and decrease the learning rate of 1.5 and 0.04 respectively, let, through validation data, the recognition of 99.78% of experimental data variability under technological conditions employed for obtaining fermentable carbohydrates from defatted corn germ
Disciplinas: Agrociencias,
Química
Palabras clave: Plantas para uso industrial,
Química de alimentos,
Química industrial,
Venezuela,
Maíz
Texto completo: Texto completo (Ver HTML)