Simulação do funcionamento de um torrador baseado em Deep Learning

• Autor(a) principal: Silva, José Manuel Alves da
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/20875
• topic: Café; Torrefação; Torrador; Inteligência Artificial; MATLAB; Deep Learning; LSTM; Coffee; Roasting; Toaster; Artificial Intelligence

O processo de torrefação do café é bastante complexo, sendo até considerado por alguns como arte. Mesmo antes de iniciar a torrefação é necessário escolher a mistura dos tipos de café que serão torrados, posteriormente, é definido o grau de torra a realizar. De forma a replicar o café pretendido é criada a receita para a torra desse tipo de café. Condições ambientais como a temperatura ambiente e humidade do ar, interferem no processo de torrefação bem como a respetiva humidade dos grãos. De forma a entender o processo de torrefação, é necessário conhecer os vários tipos café bem como as suas propriedades, conhecer os diferentes graus de torra, saber que alterações os grãos sofrem durante o processo de torrefação e conhecer o torrador e os seus componentes bem como a forma com que estes se correlacionam. Dada a elevada complexidade do sistema, a criação de uma ferramenta capaz de recriar o funcionamento do torrador, necessita de, ser desenvolvida com algum tipo de inteligência artificial, de forma a adaptar-se ao funcionamento real do torrador. Neste sentido, foi realizado um estudo sobre inteligência artificial, mais especificamente Machine Learning, Deep Learning e redes neuronais. Foram também abordados alguns algoritmos de redes neuronais, que detinham a possibilidade de gerar resultados positivos. Com recurso à ferramenta MATLAB foram treinados algoritmos de Deep Learning. De forma a avaliar que tipo de algoritmos se adaptava melhor, foi realizada uma primeira avaliação, com o objetivo de identificar aquele que apresentava um melhor desempenho e uma capacidade superior de melhoria. Após a análise dos resultados obtidos, foi possível identificar a rede que mais se adequava ao problema em questão. Posteriormente, foi necessário aferir qual seria a melhor formatação de dados e quais os parâmetros que melhor se ajustavam à rede definida. Foram realizados vários treinos, procedendo-se à recolha do RMSE para efetuar a comparação entres os diferentes tipos de dados e parâmetros. Analisando os resultados obtidos procedeu-se à seleção de um conjunto de parâmetros que traduziriam na melhor rede neuronal possível. Numa etapa final, foram realizados os treinos com os conjuntos de dados escolhidos. Finalizando os treinos e comparando resultados foi escolhida a rede neuronal capaz de replicar o funcionamento do torrador com o menor erro possível.