Modelado de propiedades térmicas de pulpas de frutas exóticas: un enfoque de redes neuronales artificiales

Resumen

Las propiedades termofísicas son importantes en el diseño, simulación, optimización y control del procesamiento de alimentos. Su predicción es muy importante pero la base teórica es difícil y los modelos empíricos se usaban comúnmente. En este trabajo se aplicó el modelado de redes neuronales como una alternativa para predecir la densidad, conductividad térmica y difusividad térmica a partir de la temperatura y contenido de humedad de la yaca, genipap y umbu. Se utilizaron conjuntos de datos de la literatura, combinados e individualmente, para obtener cuatro redes. Se desarrollaron redes de perceptrones multicapa supervisadas, utilizando el algoritmo de retropropagación. Se evaluaron varias configuraciones de redes neuronales artificiales (ANN) con una o dos capas ocultas y un máximo de 21 y 12 neuronas en cada una, respectivamente. Los conjuntos de datos se dividieron en pasos de aprendizaje (60%) y verificación (40%). Las mejores ANN se eligieron en función del coeficiente de correlación y los errores cuadráticos medios (RMSE), y se compararon con modelos polinomiales utilizando desviaciones absolutas promedio (AAD). A partir del conjunto de datos desechables total, la mejor ANN desarrollada presenta una capa oculta con 15 neuronas y muestra la misma capacidad predictiva de las ANN creadas a partir de conjuntos de datos de frutas individuales, presentando un RMSE cercano y un coeficiente de correlación. Los ANN desarrollados presentan AAD cercanos a modelos polinomiales y aparecen como alternativa al modelado convencional. Los resultados indican que la ANN creada a partir del conjunto de datos total puede reemplazar nueve modelos polinomiales para predecir las propiedades termofísicas de las pulpas de yaca, genipap y umbu.