MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES

Transcripción

1 MODELOS BIOESTADISTICOS EN LA INGENIERÍA EN ALIMENTOS MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES

2 CONTENIDO: Glosario de Términos Introducción Objetivos Metodología Determinación Humedad Desarrollo de Red Neuronal Análisis Estadístico Resultados y Conclusiones

3 Glosario de Términos Introducción Objetivos Metodología Determinación Humedad Desarrollo de Red Neuronal Análisis Estadístico Resultados y Conclusiones

4 ACTIVIDAD DE AGUA: La actividad de agua (aw) es un parámetro que indica la disponibilidad de agua en un alimento para que existan reacciones químicas, bioquímicas (p.e. oxidación de lípidos, reacciones enzimáticas, reacción de Maillard) y desarrollo microbiano [5]. Por esto la actividad de agua es un parámetro bastante usado como indicador para predecir la vida útil de un alimento. ISOTERMA : La isoterma de un producto relaciona gráficamente, a una temperatura constante, el contenido en humedad de equilibrio de un producto con la actividad termodinámica del agua del mismo, ya que en el equilibrio, este último parámetro es igual a la humedad relativa del aire que rodea al producto. ADSORCIÓN : Propiedad de Adhesión respecto a una superficie o poros DESORCIÓN : Contrario de Adsorción; eliminación de materia REDES NEURONALES : Modelo matemático inspirado en el funcionamiento de las neuronas biológicas. Conformado por varias unidades de procesamiento (neuronas) interligadas por conexiones (sinapsis)

5 Glosario de Términos Introducción Objetivos Metodología Determinación Humedad Desarrollo de Red Neuronal Análisis Estadístico Resultados y Conclusiones

6 INTRODUCCION En la Industria Alimenticia: ISOTERMAS en alimentos brindan información: para la optimización del proceso de secado la selección del material de empaquetamiento la predicción de la vida útil del producto y, de la evolución en el contenido de humedad durante el almacenamiento. ANTECEDENTES * (aw) -> TERMODINAMICA -> Relación Pi/Pio Det. REACCIONES DETERIORATIVAS -> Bioq y Micbio * Relación aw vs. Humedad -> ISOTERMAS DE ADSORCION

7 Cont. (aw) vs. Humedad -> Relación no lineal I S O T E R M A Desarrollo Matemático [Estadística Paramétrica]>> MODELOS REGRESIONALES (Lin. y N. Lin.) -> Exp. 3 Zonas LIMITACIÓN DE MODELOS Difícilmente hallar un modelo Universal Limitada habilidad predictiva

8 Isotermas de adsorción Una isoterma de absorción nos indica la cantidad de agua absorbida, o adsorbida en el componente con una actividad de agua conocida o presión de vapor relativa, cuando está en equilibrio. Las isotermas de adsorción son importantes en cuatro procesos principales: Secado Mezcla Empacado Almacenamiento

9 MÉTODO ALTERNATIVO REDES NEURONALES ARTIFICIALES

10 Red Neuronal Arquitectura Neuronas intermedias Neuronas de Entrada Neuronas de salída Conexiones

11 Elemento Procesador 1.. X1 W1u k.. n Xk Wku Wnu Xn Entrada Neta u = n i= 1 Xi Wiu u Yu Yu = f (Entrada Neta u ) n Yu = f ( Xi Wiu ) i= 1

12 Elemento Procesador Entrada / Función de Transferencia / Salida

13 CONTENIDO: Glosario de Términos Introducción Objetivos Metodología Determinación Humedad Desarrollo de Red Neuronal Análisis Estadístico Resultados y Conclusiones

14 OBJETIVOS DESARROLLAR UNA RED NEURONAL ARTIFICIAL (R.N.A.) PARA RECONOCIMIENTO DE PATRON NO LINEAL DE ISOTERMAS DE ADSORCION PARA HARINAS. COMPARAR LA HABILIDAD PREDICTIVA DEL MODELO R.N.A. vs. MODELOS CONVENCIONALES.

15 CONTENIDO: Glosario de Términos Introducción Objetivos Metodología Determinación Humedad Desarrollo de Red Neuronal Análisis Estadístico Resultados y Conclusiones

16 METODOLOGÍA MATERIALES y MÉTODOS Determinación de Humedad: Método Gravimétrico Indirecto de Estufa al Vacío Construcción de ISOTERMAS: 6 Harinas y 1 leche en polvo Temp.: 25 C (+ -1 C ) Recipientes 250 ml con humedad controlada Se midió (aw) x triple -> promedio En c/recipiente 2g. De producto: Humedad [g H2O/ g base seca) y (aw) Decagon CX2 3 réplicas

17 Cont. Resultados y Discusiones Luego de 480 iteraciones -> pesos óptimos -> MAYOR HABILIDAD PREDICITIVA Dificultad elección de un software de simulación 4 Ecuaciones -> hoja de cálculo (EXCEL) n EN pj = w jix pi + b i=1 j 7 EN pk = wkj x pj + b j= 1 k y =TANH pj j ( EN ) pj y = pk f lineal ( EN pk )

18 Cont. Desarrollo del modelo R.N.A. Organización de Estructura Algoritmo de Entrenamiento MATLAB Finalmente, EVALUAR modelo para R 2 y SEE