Prediction by Artificial Neural Networks (ANN) of the diffusivity, mass, moisture, volume and solids on osmotically dehydrated yacon (Smallantus sonchifolius)
DOI:
https://doi.org/10.17268/sci.agropecu.2012.03.02Keywords:
Artificial Neural Networks (ANN), effective diffusivity, yacon, osmotic dehydration.Abstract
The predictive ability of Artificial Neural Network (ANN) on the effect of the concentration (30, 40, 50 y 60 % w/w) and temperature (30, 40 y 50°C) of fructooligosaccharides solution, in the mass, moisture, volume and solids of osmodehydrated yacon cubes, and in the coefficients of the water means effective diffusivity with and without shrinkage was evaluated. The Feedforward type ANN with the Backpropagation training algorithms and the Levenberg-Marquardt weight adjustment was applied, using the following topology: 10-5 goal error, 0.01 learning rate, 0.5 moment coefficient, 2 input neurons, 6 output neurons, one hidden layer with 18 neurons, 15 training stages and logsig-pureline transfer functions. The overall average error achieved by the ANN was 3.44% and correlation coefficients were bigger than 0.9. No significant differences were found between the experimental values and the predicted values achieved by the ANN and with the predicted values achieved by a statistical model of second-order polynomial regression (p > 0.95).
References
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.
Downloads
Published
How to Cite
Issue
Section
License
The authors who publish in this journal accept the following conditions:
a. The authors retain the copyright and assign to the magazine the right of the first publication, with the work registered with the Creative Commons attribution license, which allows third parties to use the published information whenever they mention the authorship of the work and the First publication in this journal.
b. Authors may make other independent and additional contractual arrangements for non-exclusive distribution of the version of the article published in this journal (eg, include it in an institutional repository or publish it in a book) as long as it clearly indicates that the work Was first published in this journal.
c. Authors are encouraged to publish their work on the Internet (for example, on institutional or personal pages) before and during the review and publication process, as it can lead to productive exchanges and a greater and faster dissemination of work Published (see The Effect of Open Access).