Prediccion mediante redes neuronales artificiales de la transferencia de masa en frutas osmoticamente deshidratadas
Este trabajo tuvo como objetivo predecir las manifestaciones macroscópicas de los dos principales fenómenos de transferencia de masa en tres frutas (melón, lechosa y manzana) osmóticamente deshidratadas. Se consideró el efecto de cinco variables de proceso: tipo de alimento, concentración de la solución osmótica, tamaño de la fruta, temperatura y tiempo de proceso, sobre la pérdida de agua y ganancia de sólidos de las frutas. Para ello se desarrolló un modelo neuronal artificial compuesto por cinco neuronas de entrada y dos capas ocultas de procesamiento de información compuestas por cinco neuronas cada una, utilizando funciones sigmoides como medio de comunicación, y dos neuronas de salida representando a las variables dependientes del modelo. La arquitectura neuronal desarrollada y entrenada mediante el algoritmo Levenberg-Marquardt permitió predecir más del 90% de la variabilidad de los datos en los dos fenómenos de transferencia estudiados, constituyéndose en un modelo alternativo a las ecuaciones paramétricas desarrolladas hasta el momento
| Main Authors: | , |
|---|---|
| Format: | Digital revista |
| Language: | Spanish / Castilian |
| Published: |
ASOCIACIÓN INTERCIENCIA
2006
|
| Online Access: | http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0378-18442006000300011 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Este trabajo tuvo como objetivo predecir las manifestaciones macroscópicas de los dos principales fenómenos de transferencia de masa en tres frutas (melón, lechosa y manzana) osmóticamente deshidratadas. Se consideró el efecto de cinco variables de proceso: tipo de alimento, concentración de la solución osmótica, tamaño de la fruta, temperatura y tiempo de proceso, sobre la pérdida de agua y ganancia de sólidos de las frutas. Para ello se desarrolló un modelo neuronal artificial compuesto por cinco neuronas de entrada y dos capas ocultas de procesamiento de información compuestas por cinco neuronas cada una, utilizando funciones sigmoides como medio de comunicación, y dos neuronas de salida representando a las variables dependientes del modelo. La arquitectura neuronal desarrollada y entrenada mediante el algoritmo Levenberg-Marquardt permitió predecir más del 90% de la variabilidad de los datos en los dos fenómenos de transferencia estudiados, constituyéndose en un modelo alternativo a las ecuaciones paramétricas desarrolladas hasta el momento |
|---|