Predicción mediante Redes Neuronales Artificiales (RNA) de la difusividad, masa, humedad, volumen y sólidos en yacón (Smallantus sonchifolius) deshidratado osmóticamente

Julio Rojas Naccha, Víctor Vásquez Villalobos

Resumen


Se evaluó la capacidad predictiva de la Red Neuronal Artificial (RNA) en el efecto de la concentración (30, 40, 50 y 60 % p/p) y temperatura (30, 40 y 50°C) de la solución de fructooligosacaridos (FOS) en la masa, humedad, volumen y sólidos en cubos de yacón osmodeshidratados, y en el coeficiente de difusividad efectiva media del agua, con y sin encogimiento. Se aplicó la RNA del tipo Feedforward con los algoritmos de entrenamiento Backpropagation y de ajuste de pesos Levenberg-Marquardt, usando la topología: error meta de 10-5, tasa de aprendizaje de 0.01, coeficiente de momento de 0.5, 2 neuronas de entrada, 6 neuronas de salida, una capa oculta con 18 neuronas, 15 etapas de entrenamiento y funciones de transferencia logsigpurelin. El error promedio global por la RNA fue 3.44% y los coeficientes de correlación fueron mayores a 0.9. No se encontraron diferencias significativas entre los valores experimentales con los valores predichos por la RNA y con los valores predichos por un modelo estadístico de regresión polinomial de segundo orden (p > 0.95).


Palabras clave


Red Neuronal Artificial (RNA), difusividad efectiva, yacón, deshidratación osmótica.

Texto completo:

PDF

Referencias


Alvarado, J. D.; Aguilera, J. M. 2001. Métodos para medir propiedades físicas en industrias de alimentos. Edit. Acribia S.A. Zaragoza. p. 394.

Aliaga, E.; Vásquez, V.; Rojas, J. 2009. Estudio comparativo de la capacidad de predicción por Redes Neuronales Artificiales, Modelos de Regresión Estadística y Métodos Matemáticos del efecto de la temperatura y tiempo de esterilización en el valor Fo de un enlatado de cabrito (Capra hircus) a la norteña. Tesis para optar el Título Profesional de Ingeniería Agroindustrial. Universidad Nacional de Trujillo. Facultad de Ciencias Agropecuarias. p. 162-164.

Amiel, R.; Vásquez, V. 2007. Influencia de la temperatura en la difusividad efectiva y características sensoriales de cubos de yacón (Smallantus sonchifolius) deshidratado osmóticamente. Tesis para obtener el Título de Ingeniero Agroindustrial. Universidad Nacional de Trujillo. Facultad de Ciencias Agropecuarias. p. 76-77.

A.O.A.C. – Association of Official Analytical Chemist. 1995. Official Methods of Analysis Chemist. 16 Edition. Arlington.

Arahal, M. R.; Berenguel, M.; Rodríguez, F. 2006. Técnicas de predicción con aplicaciones en Ingeniería. Edit. Secretariado de publicaciones de la Universidad de Sevilla. p. 19, 88.

Azuara, E.; Cortez, R.; García. H. S.; Beristain, C. I. 1992. Kinetic model for osmotic dehydration and its relationship with Fick’s second law. International Journal of Food Science and Technology 27 (4): 409-418.

Brennan, J.G. 2008. Manual del procesado de los alimentos. Edit. Acribia. S.A. Zaragoza. p. 104.

Casp, A.; Abril, J. 2003. Procesos de conservación de alimentos. Ediciones Mundi Prensa. Madrid. p. 384-385

Corzo, O.; Centeno, A. E. 2003. Superficies de respuesta de la transferencia de masa durante la deshidratación osmótica del melón (Cucumis melo) variedad Edisto. Revista de la Facultad de Farmacia de la Universidad de Oriente 45 (1): 54-55.

Cueva, J. A.; Vásquez V. 2009. Predicción mediante Redes Neuronales Artificiales de sacarosa de caña de azúcar (Saccharun officinarun) a partir de sólidos solubles y humedad. Tesis para optar el Grado de Maestro. Escuela de Postgrado. Universidad Nacional de Trujillo. p. 90.

Chegini, G.R.; Khazaei, J.; Ghobadian, B.; Gourdarzi, A.M. 2008. Prediction of process and product parameters in an orange juice spray dryer using artificial neural networks. Journal of Food Engineering 84: 534-543.

Chen, C.R.; Ramaswamy, H.S.; Alli, I. 2001. Prediction of quality changes during osmo-convective drying of blueberries using neural network models for process optimization. Drying Technology 19: 515.

Esen, H.; Inalli, M.; Sengur, A.; Esen, M. 2007. Forecasting of a ground-coupled heat pump performance using neural networks with statistical data weighting pre-processing. International Journal of Thermal Sciencies 2007: 1-11.

Gutiérrez, H.; De La Vara, R. 2003. Análisis y diseños de experimentos. Edit. McGraw-Hill Interamericana. México. p. 430.

Ibarz, A.; Barbosa-Canovas, G. V. 2005. Operaciones unitarias en la Ingeniería de Alimentos. Ediciones Mundi Prensa. Madrid. p. 621.

Isasi, P.; Galván, I. M. 2004. Redes Neuronales Artificiales. Un enfoque práctico. Edit. Pearson Educación S.A. Madrid. p. 90.

Kerdpiboon, S; Kerr, W. L.; Devahastin, S. 2006. Neural network prediction of physical property changes of dried carrot as a function of fractal dimension and moisture content. Food research international 39: 1110-1118

Lertworasirikul, S.; Tipsuwan, Y. 2008. Moisture content and water activity prediction of semi-finished cassava crackers from drying process with Artificial Neural Network. Journal of food Engineering 84: 65-74.

Liboni, L.; Park, Y. 2003. Frutooligossacarídeos: implicações na saúde humana e utilização em alimentos. Ciência Rural, Santa Maria, 33(2): 385-390.

Madrigal, L.; Sangronis, E. 2007. La inulina y derivados como ingredientes claves en alimentos funcionales. Archivos Latinoamericanos de Nutrición 57: 387-396.

Manrique, I.; Hermann, M. 2003. El potencial del yacón en la salud y la nutrición. XI Congreso Internacional de Cultivos Andinos. Cochabamba. p. 1.

Martín, Q.; De Paz, Y. R. 2007. Aplicación de las Redes Neuronales Artificiales a la regresión. Edit. La muralla S.A. Madrid. p. 52.

Millan, F.R.; Ostojich, Z. 2006. Predicción mediante redes neuronales artificiales de la transferencia de masa en frutas osmóticamente deshidratadas. Ciencia y Tecnología de América 31 (03): 206-210.

Millan, F.R.; Roa, V.; Tapia, M.S. 2001. Modelado matemático de isotermas de adsorción de humedad en alimentos usando redes neuronales artificiales. Ciencia y Tecnología de América 26(05): 191-193.

Moura, C. P.; Mason, M. L.; Yamamoto, C.I. 2004. Prediction of osmotic pretreatment parameters using neural networks models for process optimization. Drying 2004-Proceding of the 14th International Drying Symposium 1: 589-596.

Movagharnejad, K.; Nikzad, M. 2007. Modeling of tomato drying using Artificial Neural Network. Computers and electronics in agriculture 59: 78-85.

Ochoa-Martínez, C. I.; Ayala-Aponte, A. 2005. Modelos matemáticos de transferencia de masa en deshidratación osmótica. Ciencia y tecnología Alimentaria 4 (5): 334.

Ochoa-Martínez, C. I.; Ramaswamy, H. S.; Ayala-Aponte, A. 2007,a. Artificial Neural Network modeling of osmotic dehydration mass transfer kinetics of fruits. Drying Technology 25: 85-95.

Ochoa-Martínez, C. I.; Ramaswamy, H. S.; Ayala-Aponte, A. 2007,b. ANN-Bassed models for moisture diffusivity coefficient and moisture loss at equilibrium in osmotic dehydration process. Drying Technology 25: 775-783.

Ojansivu, I.; Ferreira, C. L.; Salminen, S. 2010. Yacon, a new source of prebiotic oligosaccharides with a history of safe use. Trends in Food Science & Technology 22 (1): 40-46.

Paredes, H.; Vásquez, V.; Rojas, J. 2009. Predicción del azúcar recuperable en caña de azúcar (Saccharum officinarum) a partir de la concentración de sólidos solubles y contenido de humedad empleando redes neuronales artificiales. Informe de capacidad profesional para obtener el Título de Ingeniero Agroindustrial. Universidad Nacional de Trujillo. Facultad de Ciencias Agropecuarias. p. 31.

Pitarque, A; Ruiz, J.C.; Roy, J.F. 1998. Redes Neuronales versus modelos estadísticos. Simulaciones sobre tareas de predicción y clasificación. Psicológica 19: 387-388.

Pitarque, A; Ruiz, J. C.; Roy, J. F. 2000. Las redes neuronales como herramientas no paramétricas de clasificación. Psicothema 12 (2): 459-463.

Poonnoy, P.; Tansakul, A.; Chinnan, M. 2007. Artificial Neural Network Modeling for Temperatura and Moisture Content Prediction in Tomato Slices Undergoing Microwawe-Vacuum Drying. Journal of Food Science 72 (1): 42-47.

Saiedirad, M.H.; Mirsalehi, Y. 2010. Prediction of mechanical properties of cumin seed using artificial neural networks. Journal of Texture Studies 41: 34-48.

Seminario, J.; Valderrama, M.; Manrique, I. 2003. El yacón: fundamentos para el aprovechamiento de un recurso promisorio. Centro Internacional de la Papa (CIP), Universidad Nacional de Cajamarca. Agencia Suiza para el Desarrollo y la Cooperación (COSUDE), Lima, Perú. p 1-60.

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 un evaporador destilador-flash. Scientia Agropecuaria 1(1): 63-73.


* Autor para correspondencia.

E-mail: vvasquez@unitru.edu.pe (V. Vásquez).


Recibido 10 diciembre 2011.

Aceptado 10 agosto 2012.




DOI: http://dx.doi.org/10.17268/sci.agropecu.2012.03.02

Enlaces refback

  • No hay ningún enlace refback.


Indizada o resumida en:

           

  

      

            

    

     

   

                             

 

Licencia de Creative Commons Scientia Agropecuaria revista de la Universidad Nacional de Trujillo publica sus contenidos bajo licencia Creative Commons Reconocimiento-NoComercial 3.0.

ISSN: 2306-6741 (electrónico); 2077-9917 (impreso)
DOIhttp://dx.doi.org/10.17268/sci.agropecu

Dirección: Av Juan Pablo II s/n. Ciudad Universitaria. Facultad de Ciencias Agropecuarias. Universidad Nacional de Trujillo. Trujillo, Perú.
Contactosci.agropecu@unitru.edu.pe