SciELO - Scientific Electronic Library Online

 
vol.25 número3BYPRODUCTS OF AQUACULTURE PROCESSES: DEVELOPMENT AND PROSPECTIVE USES. REVIEW índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

Links relacionados

  • Em processo de indexaçãoCitado por Google
  • Não possue artigos similaresSimilares em SciELO
  • Em processo de indexaçãoSimilares em Google

Compartilhar


Vitae

versão impressa ISSN 0121-4004

Resumo

MUNOZ, José Aldemar; SANCHEZ, Carlos Arturo  e  MUNOZ, Helmer. MODELO NO-LINEAL DE UN PROCESO DE SECADO DE ARROZ USANDO REDES NEURONALES. Vitae [online]. 2018, vol.25, n.3, pp.120-127. ISSN 0121-4004.  https://doi.org/10.17533/udea.vitae.v25n3a02.

Antecedentes:

la calidad de producción del arroz depende en gran medida del proceso de secado, ya que el secado debilita el grano de arroz. Se estudió el proceso de producción de arroz en la industria. El secado del arroz influye en la capacidad de almacenamiento del grano, el consumo de energía, la masa final del grano y el porcentaje de granos totales al final del proceso.

Objetivo:

El objetivo principal fue analizar el secado del arroz diseñando una red neuronal artificial para modelarlo y simularlo.

Métodos:

Se presentó el modelado de un proceso de secado de arroz utilizando redes neuronales. Estos modelos son adecuados para ser utilizados en combinación con estrategias de control basadas en modelos para mejorar el proceso de secado. Se analizó la implementación, el pre-procesamiento y la recuperación de datos para el diseño de un sistema neuronal artificial. Controlar los factores de secado es de gran importancia. Las redes neuronales avanzadas y dinámicas se compararon en función de su rendimiento.

Resultados:

se llegó a la conclusión de que cuando una parte del conjunto de datos se proporciona como entrenamiento, incluso con un conjunto de datos, una red de propagación inversa simula muy bien las otras partes de la curva de secado. Las aproximaciones hechas por las redes para obtener un modelo no lineal del proceso de secado del arroz son bastante buenas.

Conclusión:

En primer lugar, debido a la poca información disponible para el entrenamiento, las redes no fueron tan buenas como se esperaba. Se necesitan más datos para tener realmente una red potente capaz de aproximar muy bien la curva de secado. En segundo lugar, una red de propagación hacia atrás puede ser una buena solución para modelar y usar en un controlador si hay más datos disponibles, en contraste, una red lineal arrojó malos resultados. En tercer lugar, una red con poca cantidad de capas es la mejor opción. Un mapeo perfecto de la entrada a la salida es imposible debido a las diferencias en cada prueba y los sensores imperfectos.

Palavras-chave : secado; arroz; modelado; redes neuronales; no lineales.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )