Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser
Autor(a) principal: | |
---|---|
Data de Publicação: | 2001 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | LOCUS Repositório Institucional da UFV |
Texto Completo: | http://www.locus.ufv.br/handle/123456789/11319 |
Resumo: | Este trabalho apresenta os resultados obtidos na aplicação da técnica de modelagem híbrido-neural da extração líquido-líquido com sistemas aquosos bifásicos em extrator Graesser. Foi estudada a separação das proteínas α - lactoalbumina e β -lactoglobulina do soro de queijo em sistemas aquosos bifásicos compostos por 18 % em peso de polietilenoglicol 1500 e 18 % em peso de fosfato de potássio em pH 7. Foi empregada uma rede neural do tipo feedforward para predizer os parâmetros de transferência de massa Peclet (Pe) e número de unidades de transferência (Nox) em função das variáveis operacionais velocidade de rotação e relação de vazões das fases. Dado a escassez de dados experimentais, dados semi-empíricos foram gerados através de uma técnica alternativa baseada em erros de modelagem (GDS3), para treinamento e validação da rede. A topologia da rede foi determinada utilizando a técnica de superfície de resposta, que forneceu valores ótimos do número de camadas escondidas, do número de nodos nestas camadas e da taxa de aprendizagem. Foi definida uma rede do tipo 2-10-5-3, com uma taxa de aprendizagem de 0,001. Os dados experimentais para estudo de transferência de massa foram obtidos em um extrator do tipo Graesser. As variáveis testadas foram relação de vazão das fases e velocidade de rotação. Tendo sido usados os dados experimentais como parte do conjunto de dados para testar a rede, pode -se notar sua grande performance na predição dos parâmetros Pe e Nox em função das variáveis operacionais do extrator. O modelo da operação de extração foi obtido através do balanço diferencial de massa no extrator Graesser, para ambas as fases, tendo como parâmetros Pe e Nox. A simulação da operação foi realizada após a solução das equações diferenciais pelo método de Gauss-Seidel, sendo os parâmetros de transferência de massa Pe e Nox fornecidos pela rede neural, em função das variáveis operacionais do equipamento. O modelo híbrido-neural correlacionou os dados experimentais com boa acuracidade. Esta abordagem mostrou-se uma alternativa promissora para a modelagem de operações complicadas, como é o caso da extração líquido-líquido em extrator Graesser. |
id |
UFV_a1969c7c19046af7c8591e18d66b4534 |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/11319 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
2145 |
spelling |
Coimbra, Jane Sélia dos ReisPereira, José Antônio MarquesCoelho Junior, Lauro Bernardinohttp://lattes.cnpq.br/1400439513441032Minim, Luis Antônio2017-07-17T12:32:01Z2017-07-17T12:32:01Z2001-08-30COELHO JUNIOR, Lauro Bernardino. Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser. 2001. 101 f. Dissertação (Mestrado em Ciência e Tecnologia de Alimentos) - Universidade Federal de Viçosa, Viçosa. 2001.http://www.locus.ufv.br/handle/123456789/11319Este trabalho apresenta os resultados obtidos na aplicação da técnica de modelagem híbrido-neural da extração líquido-líquido com sistemas aquosos bifásicos em extrator Graesser. Foi estudada a separação das proteínas α - lactoalbumina e β -lactoglobulina do soro de queijo em sistemas aquosos bifásicos compostos por 18 % em peso de polietilenoglicol 1500 e 18 % em peso de fosfato de potássio em pH 7. Foi empregada uma rede neural do tipo feedforward para predizer os parâmetros de transferência de massa Peclet (Pe) e número de unidades de transferência (Nox) em função das variáveis operacionais velocidade de rotação e relação de vazões das fases. Dado a escassez de dados experimentais, dados semi-empíricos foram gerados através de uma técnica alternativa baseada em erros de modelagem (GDS3), para treinamento e validação da rede. A topologia da rede foi determinada utilizando a técnica de superfície de resposta, que forneceu valores ótimos do número de camadas escondidas, do número de nodos nestas camadas e da taxa de aprendizagem. Foi definida uma rede do tipo 2-10-5-3, com uma taxa de aprendizagem de 0,001. Os dados experimentais para estudo de transferência de massa foram obtidos em um extrator do tipo Graesser. As variáveis testadas foram relação de vazão das fases e velocidade de rotação. Tendo sido usados os dados experimentais como parte do conjunto de dados para testar a rede, pode -se notar sua grande performance na predição dos parâmetros Pe e Nox em função das variáveis operacionais do extrator. O modelo da operação de extração foi obtido através do balanço diferencial de massa no extrator Graesser, para ambas as fases, tendo como parâmetros Pe e Nox. A simulação da operação foi realizada após a solução das equações diferenciais pelo método de Gauss-Seidel, sendo os parâmetros de transferência de massa Pe e Nox fornecidos pela rede neural, em função das variáveis operacionais do equipamento. O modelo híbrido-neural correlacionou os dados experimentais com boa acuracidade. Esta abordagem mostrou-se uma alternativa promissora para a modelagem de operações complicadas, como é o caso da extração líquido-líquido em extrator Graesser.This work presents the results acquired by applying the hybrid neural modeling technique of the liquid-liquid extraction in a Graesser Contactor. The operation of separating the α -lactalbumin and β -lactoglobulin whey’s proteins was studied in a aqueous two-phase system composed by 18% polyethylene glycol (w/w) and potassim phosphate in pH 7 (w/w). A feedforward network was used to predict the Peclet (Pe) mass transfer parameters and the number of transfer unit (NTU) as a function of the operating variables speed agitation and flow ratio. Because of the scarcity of available data, a semi-empirical GDS3 based technique was used to generate the data for training and evaluating the network. Its topology was determined using the response surface technique which provided the optimum value for the number of hidden layers, the number of nodes for these layers and the learning rate. A 2-10-5-3 network was defined with a learning rate of 0,001. Because experimental data was used as part of the data set to test the network, we notice the network great performance in predicting the Pe and NTU parameters as function of the extractor operating variables. The extracting operation model was obtained by the mass differential balance in the Graesser contactor, for both phases, using Pe and NTU as parameters. The simulating was carried out after solving the differential equations using the Gauss-Seidel method with the Pe and NTU mass transfer parameters given by the neural network, and function of the equipme nt operating variables. The hybrid neural model correlated the experimental data with good accuracy. We can notice that this broaching could be a promising alternative for modeling complex operations like the liquid-liquid extraction in the Graesser contactor.Fundação de Amparo à Pesquisa do Estado de Minas GeraisporUniversidade Federal de ViçosaExtrator GraeserProteínas do soro de queijoExtração líquido-líquidoSimulação com redes neuraisSistema aquoso bifásicoSimulação de processosCiência e Tecnologia de AlimentosModelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator GraesserHybrid neural modeling of the liquid-liquid extraction of the whey proteins using aqueous two-phase systems in a Graesser contactorinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal de ViçosaDepartamento de Tecnologia de AlimentosMestre em Ciência e Tecnologia de AlimentosViçosa - MG2001-08-30Mestradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.PDFtexto completo.PDFtexto completoapplication/pdf877853https://locus.ufv.br//bitstream/123456789/11319/1/texto%20completo.PDF91f4d2df406c6258303678f36175f188MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/11319/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52THUMBNAILtexto completo.PDF.jpgtexto completo.PDF.jpgIM Thumbnailimage/jpeg3560https://locus.ufv.br//bitstream/123456789/11319/3/texto%20completo.PDF.jpg9eb22f892eeff9c4877befe600cc3f2cMD53123456789/113192017-07-17 23:00:31.901oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452017-07-18T02:00:31LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.pt-BR.fl_str_mv |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser |
dc.title.en.fl_str_mv |
Hybrid neural modeling of the liquid-liquid extraction of the whey proteins using aqueous two-phase systems in a Graesser contactor |
title |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser |
spellingShingle |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser Coelho Junior, Lauro Bernardino Extrator Graeser Proteínas do soro de queijo Extração líquido-líquido Simulação com redes neurais Sistema aquoso bifásico Simulação de processos Ciência e Tecnologia de Alimentos |
title_short |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser |
title_full |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser |
title_fullStr |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser |
title_full_unstemmed |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser |
title_sort |
Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser |
author |
Coelho Junior, Lauro Bernardino |
author_facet |
Coelho Junior, Lauro Bernardino |
author_role |
author |
dc.contributor.authorLattes.pt-BR.fl_str_mv |
http://lattes.cnpq.br/1400439513441032 |
dc.contributor.none.fl_str_mv |
Coimbra, Jane Sélia dos Reis Pereira, José Antônio Marques |
dc.contributor.author.fl_str_mv |
Coelho Junior, Lauro Bernardino |
dc.contributor.advisor1.fl_str_mv |
Minim, Luis Antônio |
contributor_str_mv |
Minim, Luis Antônio |
dc.subject.pt-BR.fl_str_mv |
Extrator Graeser Proteínas do soro de queijo Extração líquido-líquido Simulação com redes neurais Sistema aquoso bifásico Simulação de processos |
topic |
Extrator Graeser Proteínas do soro de queijo Extração líquido-líquido Simulação com redes neurais Sistema aquoso bifásico Simulação de processos Ciência e Tecnologia de Alimentos |
dc.subject.cnpq.fl_str_mv |
Ciência e Tecnologia de Alimentos |
description |
Este trabalho apresenta os resultados obtidos na aplicação da técnica de modelagem híbrido-neural da extração líquido-líquido com sistemas aquosos bifásicos em extrator Graesser. Foi estudada a separação das proteínas α - lactoalbumina e β -lactoglobulina do soro de queijo em sistemas aquosos bifásicos compostos por 18 % em peso de polietilenoglicol 1500 e 18 % em peso de fosfato de potássio em pH 7. Foi empregada uma rede neural do tipo feedforward para predizer os parâmetros de transferência de massa Peclet (Pe) e número de unidades de transferência (Nox) em função das variáveis operacionais velocidade de rotação e relação de vazões das fases. Dado a escassez de dados experimentais, dados semi-empíricos foram gerados através de uma técnica alternativa baseada em erros de modelagem (GDS3), para treinamento e validação da rede. A topologia da rede foi determinada utilizando a técnica de superfície de resposta, que forneceu valores ótimos do número de camadas escondidas, do número de nodos nestas camadas e da taxa de aprendizagem. Foi definida uma rede do tipo 2-10-5-3, com uma taxa de aprendizagem de 0,001. Os dados experimentais para estudo de transferência de massa foram obtidos em um extrator do tipo Graesser. As variáveis testadas foram relação de vazão das fases e velocidade de rotação. Tendo sido usados os dados experimentais como parte do conjunto de dados para testar a rede, pode -se notar sua grande performance na predição dos parâmetros Pe e Nox em função das variáveis operacionais do extrator. O modelo da operação de extração foi obtido através do balanço diferencial de massa no extrator Graesser, para ambas as fases, tendo como parâmetros Pe e Nox. A simulação da operação foi realizada após a solução das equações diferenciais pelo método de Gauss-Seidel, sendo os parâmetros de transferência de massa Pe e Nox fornecidos pela rede neural, em função das variáveis operacionais do equipamento. O modelo híbrido-neural correlacionou os dados experimentais com boa acuracidade. Esta abordagem mostrou-se uma alternativa promissora para a modelagem de operações complicadas, como é o caso da extração líquido-líquido em extrator Graesser. |
publishDate |
2001 |
dc.date.issued.fl_str_mv |
2001-08-30 |
dc.date.accessioned.fl_str_mv |
2017-07-17T12:32:01Z |
dc.date.available.fl_str_mv |
2017-07-17T12:32:01Z |
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.citation.fl_str_mv |
COELHO JUNIOR, Lauro Bernardino. Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser. 2001. 101 f. Dissertação (Mestrado em Ciência e Tecnologia de Alimentos) - Universidade Federal de Viçosa, Viçosa. 2001. |
dc.identifier.uri.fl_str_mv |
http://www.locus.ufv.br/handle/123456789/11319 |
identifier_str_mv |
COELHO JUNIOR, Lauro Bernardino. Modelagem híbrido-neural da extração líquido-líquido das proteínas do soro de queijo com sistemas aquosos bifásicos em extrator Graesser. 2001. 101 f. Dissertação (Mestrado em Ciência e Tecnologia de Alimentos) - Universidade Federal de Viçosa, Viçosa. 2001. |
url |
http://www.locus.ufv.br/handle/123456789/11319 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
publisher.none.fl_str_mv |
Universidade Federal de Viçosa |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/11319/1/texto%20completo.PDF https://locus.ufv.br//bitstream/123456789/11319/2/license.txt https://locus.ufv.br//bitstream/123456789/11319/3/texto%20completo.PDF.jpg |
bitstream.checksum.fl_str_mv |
91f4d2df406c6258303678f36175f188 8a4605be74aa9ea9d79846c1fba20a33 9eb22f892eeff9c4877befe600cc3f2c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1801212906940923904 |