Simulação do funcionamento de um torrador baseado em Deep Learning
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
RCAP_b721877e9151e876502d09aebfc726d2 |
---|---|
oai_identifier_str |
oai:recipp.ipp.pt:10400.22/20875 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Simulação do funcionamento de um torrador baseado em Deep LearningCaféTorrefaçãoTorradorInteligência ArtificialMATLABDeep LearningLSTMCoffeeRoastingToasterArtificial IntelligenceO 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.The coffee roasting process is quite complex, being even considered an art by some. Even before starting the roasting process, it is necessary to choose the mix of coffee types that will be roasted, and then the degree of roasting to be done. In order to replicate the desired coffee, a recipe is created for roasting it. Environmental conditions, such as ambient temperature and air humidity, interfere in the roasting process, as well as the respective humidity of the beans. In order to understand the roasting process, it is necessary to know the various types of coffee and their properties, the different roasting grades, know what changes the beans during the roasting process and to know the roaster and its components as well as how they correlate. Given the high complexity of the system, the creation of a tool capable of recreating the roaster’s functioning needs to be developed with some kind of artificial intelligence, in order to adapt to the real functioning of the roaster. In this sense, a study on artificial intelligence, more specifically Machine Learning, Deep Learning and Neural Networks was carried out. Some Neural Network algorithms, which had the possibility of generating positive results, were also discussed. Using the MATLAB tool, Deep Learning algorithms were trained. In order to evaluate which type of algorithms were best suited, a first evaluation was performed, with the objective of identifying the one that presented the best performance and a superior capacity for improvement. After analyzing the obtained results, it was possible to identify the network that best suited the problem at hand. Subsequently, it was necessary to assess which would be the best data formatting and which parameters best fit the defined network. Several trainings were performed, and the RMSE was collected to compare the different types of data and parameters. Analyzing the obtained results, a set of parameters that would translate into the best possible neural network were selected. In a final step, training was performed with the chosen data sets. Finishing the trainings and comparing results it was chosen the neural network capable of replicating the roaster operation with the smallest possible error.Barbosa, Ramiro de SousaRepositório Científico do Instituto Politécnico do PortoSilva, José Manuel Alves da20222025-07-25T00:00:00Z2022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.22/20875TID:203058771porinfo:eu-repo/semantics/embargoedAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-13T13:16:26Zoai:recipp.ipp.pt:10400.22/20875Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:40:57.862588Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Simulação do funcionamento de um torrador baseado em Deep Learning |
title |
Simulação do funcionamento de um torrador baseado em Deep Learning |
spellingShingle |
Simulação do funcionamento de um torrador baseado em Deep Learning Silva, José Manuel Alves da Café Torrefação Torrador Inteligência Artificial MATLAB Deep Learning LSTM Coffee Roasting Toaster Artificial Intelligence |
title_short |
Simulação do funcionamento de um torrador baseado em Deep Learning |
title_full |
Simulação do funcionamento de um torrador baseado em Deep Learning |
title_fullStr |
Simulação do funcionamento de um torrador baseado em Deep Learning |
title_full_unstemmed |
Simulação do funcionamento de um torrador baseado em Deep Learning |
title_sort |
Simulação do funcionamento de um torrador baseado em Deep Learning |
author |
Silva, José Manuel Alves da |
author_facet |
Silva, José Manuel Alves da |
author_role |
author |
dc.contributor.none.fl_str_mv |
Barbosa, Ramiro de Sousa Repositório Científico do Instituto Politécnico do Porto |
dc.contributor.author.fl_str_mv |
Silva, José Manuel Alves da |
dc.subject.por.fl_str_mv |
Café Torrefação Torrador Inteligência Artificial MATLAB Deep Learning LSTM Coffee Roasting Toaster Artificial Intelligence |
topic |
Café Torrefação Torrador Inteligência Artificial MATLAB Deep Learning LSTM Coffee Roasting Toaster Artificial Intelligence |
description |
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. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 2022-01-01T00:00:00Z 2025-07-25T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.22/20875 TID:203058771 |
url |
http://hdl.handle.net/10400.22/20875 |
identifier_str_mv |
TID:203058771 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/embargoedAccess |
eu_rights_str_mv |
embargoedAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799131497340338176 |