Simulação do funcionamento de um torrador baseado em Deep Learning

Detalhes bibliográficos
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
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