Redes neurais artificiais aplicadas ao processamento térmico de alimentos

• Autor(a) principal: Gonçalves, Eliane Calomino
• Data de Publicação: 2003
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: http://www.locus.ufv.br/handle/123456789/8992
• topic: Redes neurais artificiais; Modelagem; Tratamento térmico; Engenharias

O presente trabalho teve como objetivo desenvolver um modelo matemático usando a técnica de redes neurais como alternativa potencial aos métodos existentes para o cálculo do processamento térmico de alimentos enlatados. A rede construída teve como variáveis de entrada: o tempo de processo, a temperatura da autoclave e a temperatura do centro do produto para o tempo presente e tempos anteriores. A variável de saída foi a temperatura do ponto frio. Para o treinamento da rede, um conjunto de dados em função das variáveis operacionais tempo e temperatura foi obtido através do processamento do produto em autoclave vertical. A rede selecionada foi a 5-8-9-1, a qual apresentou excelente capacidade de generalização, com um erro relativo médio de 0,022. A precisão e a habilidade do modelo de redes neurais foram comparadas com os métodos de Ball e Stumbo, ambas com respeito ao valor de F do processo, demonstrando a superioridade da técnica de redes neurais. A etapa de resfriamento foi estudada separadamente a partir de uma rede back-propagation desenvolvida com o objetivo de predizer a contribuição do valor de F do processo para diferentes valores de temperatura no centro do produto, no início e no final do resfriamento. A rede construída teve como variáveis de entrada: a temperatura do centro do produto no início do resfriamento, a temperatura da água de resfriamento e a temperatura do ponto frio no final do resfriamento. A variável de saída foi o valor de F. No treinamento da rede foi usado o mesmo conjunto de dados em função das variáveis operacionais tempo e temperatura obtido em autoclave vertical. A rede selecionada para a etapa de resfriamento foi a rede (5-14-10-1) e apresentou excelente capacidade de generalização, com um erro relativo médio de 0,706. Redes neurais apresentaram grande capacidade para a modelagem do processamento térmico de alimentos quando analisado o processo completo e a etapa de resfriamento em separado, predizendo acertadamente as novas temperaturas do produto e os novos valores de F, respectivamente. Sendo então demonstrada precisão, simplicidade e compatibilidade on line.