Predicción por redes neuronales artificiales de la calidad fisicoquímica de vinagre de melaza de caña por efecto de tiempo- temperatura de alimentación a evaporador-destilador flash

Autores/as

  • Víctor Vásquez Universidad Nacional de Trujillo, Trujillo
  • Carlos Lescano Universidad Privada Antenor Orrego, Trujillo

DOI:

https://doi.org/10.17268/sci.agropecu.2010.01.06

Palabras clave:

Redes Neuronales Artificiales (RNA), vinagre de melaza, evaporador flash, destilador flash

Resumen

Se predijo por Redes Neuronales Artificiales (RNA) importantes características fisicoquímicas de vinagre de melaza: pH, densidad, acidez total, etanol, aldehídos totales y furfural; obtenidas mediante operaciones de evaporación flash y clarificación por destilación flash. Melaza fermentada por vía alcohólica y acética, fue alimentada a un evaporador flash a cuatro temperaturas (61, 66, 71 y 76 °C) y tres tiempos (25, 35 y 45 min). La predicción se realizó con dos redes: RNA-A y RNA-B, ambas con buen desempeño. La RNA-A fue del tipo feedforward (FF), con algoritmos de entrenamiento Backpropagation (BP) y ajuste de pesos Levenberg-Marquardt (LM), topología: 6 entradas (datos de las operaciones de evaporación-destilación flash), 7 salidas lineales (características fisicoquímicas), 9 neuronas tangente sigmoidales en 1 capa oculta, coeficiente de momento 0.5, tasa de aprendizaje 0.01, meta del error 0.0001 y 20 etapas de entrenamiento. La RNA-A mostró mejor desempeño que un modelo estadístico de primer orden. La RNA-B igualmente FF, con algoritmos BP y LM, topología: 2 entradas (datos de la evaporación flash), 7 salidas lineales (características fisicoquímicas), 84 neuronas logaritmo sigmoidales en 1 capa oculta, coeficiente de momento 0.5, tasa de aprendizaje 0.01, meta del error 0.0001 y 300 etapas de entrenamiento. La RNA-B mostró igual capacidad predictiva que un modelo estadístico de primer orden con interacción de términos.

Citas

Achaerandio, I.; Güell, C.; López, F. 2002a. Continuos Vinegar Decoloration with Exchange Resins. Journal of Food Engineering 51 (4): 311-317.

Achaerandio, I; Güell, C; Medina, F.; Lamuela-Raventos, R.; López, F. 2002b. Vinegar Decolourization by Re-Activated Carbon. Food Science & Technology International 8 (4): 239-242.

Al-Shayji, K. A.; Al-wadei, S.; Elkamel, A. 2005. Modeling and Optimization of multistage flash desalination process. Engineering optimization 37 (6): 591-607.

Brabec, M. J. 1981. Aldehydes and Acetals. Edit. Patty’s Industrial Hygiene and Toxicology. Vol. II A, Toxicology. New York. John Wiley & Sons, Inc.

Cruz, A. J. G.; Silva, A. S.; Araujo, M. L. G. C.; Giordano, R. C.; Hokka, O. 1999. Estimation of the Volumetric Oxygen Transfer Coefficient (KLa) from the Gas Balance and Using a Neural Network Technique. Braz. J. Chem. Eng. 16 (2): 179-183.

Demuth, H.; Beale, M. 2005. Neural Network Tollbox for Use with MATLAB. User’s Guide. Version 4. The Maths Works, Inc.

FAO, 2001. Informe de la 33ª Reunión del Comité del Codex Sobre Aditivos alimentarios y Contaminantes de los Alimentos. Disponible en: http://www.fao.org/docrep/meeting/005/y0474s/y0474s7i.htm

Fasset, D. 1983. Aldehydes and Esters. Edit. New York. 1959 – 1960.

García, M.; López-Mungia, A. 1993. Bebidas Alcohólicas no Destiladas. Biotecnología Alimentaria. Edit. Limusa Noriega Editores. México. Pp. 263 – 311.

Gerbi, V.; Zeppa, G.; Beltramo, R.; Carnacini, A.; Antonelli, A. 1998. Characterization of White Vinegars of Different Sources with Artificial Neural Networks. J Sci.Food Agric. Great Britain 78: 417-422.

Hussain, M. A.; Rhaman, M. S.; Ng, C. W. 2002. Prediction of Pores Formation (Porosity) in Foods During Drying: Generic Models by the Use of Hybrid Neural Network. Journal of Food Engineering 51: 239-248.

Ince, E.; Kirbaslar, S. 2002. Liquid-Liquid Equilibria of the Water-Acetic Acid-Butyl Acetate System. Braz. J. Chem. Eng. 19 (2): 243-254.

Isasi, P.: Galván, I. 2004. Redes Neuronales Artificiales. Un Enfoque Práctico. Edit. Pearson Prentice Hall. Madrid. España.

INDECOPI - Instituto Nacional de Defensa de la Competencia y de la Protección Intelectual. 1970. NTP 209.020. Vinagre. Lima - Perú.

INDECOPI - Instituto Nacional de Defensa de la Competencia y de la Protección Intelectual. 2003-a. NTP 210.020. Bebidas Alcohólicas. Determinación de Aldehídos Totales. Lima - Perú.

INDECOPI – Instituto Nacional de Defensa de la Competencia y de la Protección Intelectual. 2003-b. NTP 210.025. Bebidas Alcohólicas. Determinación de Furfural. Lima – Perú.

INDECOPI - Instituto Nacional de Defensa de la Competencia y de la Protección Intelectual. 2002. NTP 211.001. Bebidas Alcohólicas. Pisco requisitos. Lima – Perú.

Jaramillo, M.; Peguero, J.; de Salazar Martínez, E.; García del Valle, M. 2006. Identificación y Simulación de un Reactor Aerobio Mediante Redes Neuronales. Centro Universitario de Mérida. Universidad de Extremadura España. Disponible en: http://www.cea-ifac.es/actividades/jornadas/XXI/documentos/ja00_050/ja00_050.pdf

Joint FAO/WHO Food Standars Programe, 1987. Codex Standards for Sugars, Cocoa Products and Chocolate and Miscellaneous. Codex Standad for Vinegar. In Codex Alimentarius. Regional European standard, Codex Stan 162. Ginebra.

Lamrini, B.; Benhammou, A.; Le Lann, N.; Karama, A. 2005. Neural Software Sensor for Online Prediction of Coagulant Dosage in a Drinking Water Treatment Plant. Transactions of the Institute of Measurement and Control 27 (3): 195-213.

López, F.; Medina, F.; Prodanov, M.; Güell, C. 2003. Oxidation of Activated Carbon: Application to Vinegar Decolorization. Journal of Colloid & Interface Science 257 (2): 173.

Liu, F.; Wang, L.; Yong, H. 2008. Measurement of Sugar Content of White Vinegars Using Vis/Near-Infrared Spectroscopy and Backpropagation Neural Networks. Proceding of the Seventh International Conference on Machine

Learning and Cybernetics. Kunming. China 1311-1316.

Martín del Brio, B.; Sanz Molina, A. 2002. Redes Neuronales y Sistemas Difusos. Edit. Alfa Omega Ra-Ma. Madrid. España.

Matissek, R.; Schnepel, F. M.; Steiner, G. 1998. Análisis de los Alimentos. Fundamentos - Métodos- Aplicaciones. Edit. Ecribia, S.A. Zaragoza. España.

Mendes, E. F. F. 1999. Redes Neurais: Introdução a Redes Neurais Artificiais, Algorítmos Genéticos e Aplicações. Disponível en: http://www.icmc.sc.usp.br/~prico/ neural1.html

MINAG – Ministerio de Agricultura. 2009. Caracterización del Departamento de la Libertad. Disponible en: htt://www.bcrp.gob.pe/docs/sucursales/Trujillo/la libertad-caracterización.pdf

Nalbant, M.; Gokkaya, H.; Tortas, I. 2007. Comparison of Regression and Artificial Neural Network Models for Surface Roughness Prediction with the Cutting Parameters in CNC Turning. Hindawi Publishing Corporation. Modelling and Simulation in Engineering. Disponible en: http://www.hindawi.com/journals/mse/ 2007/092717.abs.html

Ott, D. 1987. Manual de Laboratorio de Ciencias de Alimentos. Edit. Acribia S.A. Zaragoza. España.

Ovejero, M. A.; Lesino, G. 2003. Ensayo de un Conjunto Evaporador Eyector. Avances en Energías Renovables y Medio Ambiente. ASADES. 7 (2). Argentina.

Olmedo, E.; Valderas, J. M.; Mateos, R.; Gimeno, R. 2006. Utilización de Redes Neuronales en la Caracterización, Modelación y Predicción de Series Temporales Económicas en un Entorno Complejo. Universidad de San Pablo – Universidad Pontificia Comillas. España. 1-19.

Ovejero, M. A.; Salvo, N.; Lesino, G. 2000. Resultados preliminares del comportamiento de un evaporador por flash a escala de laboratorio para generación de electricidad a baja temperatura. ASADES 4 (1): 343-348. Resistencia, Argentina.

Pietrzyk, D.; Frank, C. 1983. Química Analítica. Nueva Editorial Interamericana S.A. México D.

Pérez-Akasuso, I; Ibarz-Rivas, A.; Pomar-Gomá, J. 2004. Calculo de Evaporadores. Escuela Superior de Ingeniería Agraria, Universidad de Lleida. España. Edit. Fito, P.; Mulet, A.; Ordica, C.; Bon, J. Disponible en: http://www.upv.es/dtalim/herraweb.htm

Reglamento Sanitario de Manejo de Residuos Peligrosos. 2006. Diario Oficial Nº 209. Republica de Chile Ministerio de Salud.

Scenna, N. J. 1999. Modulo de Simulación de Evaporadores Flash. Modelado, Simulación y Optimización de Procesos Químicos. Edit. Scenna, N.J. 345 – 372.

Suaréz, J. 2002. Impacto de Levaduras y Bacterias en los Aromas Vínicos Fermentativos. Análisis Sensorial-Vino. Ponencias CSCS 2002. Universidad Politécnica de Madrid. 1-4.

Spinnler, M.; Blumenberg, J.; Moik, W.; Müller-Holst, H.; Krispler, H.U. 2000. Small-Scale Systems for Solar-Thermal Desalination of Sea and Brackish Water; India Narosa Publishing House, Renewable Energy Technologies, Vol. Applications to Industries and Agriculture, pages 179-189.

Tesfaye, W.; Morales, M. L.; García-Parrilla, M. C.; Troncoso, A.M. 2002. Wine Vinegar: Technology, Authenticity and Quality Evaluation. Trends in Food Science & Technology 13(1): 12-21.

The vinegar Institute 2003. Disponible en: http://www.versatilevinegar.org

Received: 29/01/10

Accepted: 26/03/10

Corresponding author: E-mail: vjvv@hotmail.com (V. Vásquez)

Descargas

Publicado

2010-03-15

Cómo citar

Vásquez, V., & Lescano, C. (2010). Predicción por redes neuronales artificiales de la calidad fisicoquímica de vinagre de melaza de caña por efecto de tiempo- temperatura de alimentación a evaporador-destilador flash. Scientia Agropecuaria, 1(1), 63-73. https://doi.org/10.17268/sci.agropecu.2010.01.06

Número

Sección

Artículos originales

Artículos similares

También puede {advancedSearchLink} para este artículo.