Modelo neuronal para la predicción de mermas en el proceso de añejamiento de rones
Resumen
El proceso de añejamiento de ron experimenta pérdidas de volumen, denominadas mermas. Las variables numéricas de operación: producto, rambla, posiciones horizontal y vertical, fecha, volumen, grado alcohólico, temperatura, humedad y tiempo de añejamiento, registradas en bases de datos, contienen información valiosa para estudiar el proceso. Se utilizó el software MATLAB 2017 para estimar las pérdidas en volumen. En la modelación del proceso de añejamiento de ron se utilizó la red neuronal perceptrón multicapa con una y dos capas ocultas, variándose el número de neuronas en estas entre 4 y 10. Se compararon los algoritmos de entrenamiento Levenberg-Marquadt (L-M) y Bayesiano (Bay). El incremento en 6 iteraciones consecutivas del error de validación y 1 000 como número máximo de ciclo de entrenamiento fueron los criterios utilizados para detener el entrenamiento. Las variables de entrada a la red fueron: mes numérico, volumen, temperatura, humedad, grado alcohólico inicial y tiempo de añejamiento, mientras que la variable de salida fue mermas. Se procesaron 546 pares de datos de entrada/salida. Se realizaron las pruebas estadísticas de Friedman y Wilcoxon para la selección de la arquitectura neuronal de mejor comportamiento de acuerdo al criterio del error cuadrático medio (MSE). La topología seleccionada presenta la estructura 6-4-4-1, con un MSE de 2.1∙10-3 y un factor de correlación (R) con los datos experimentales de 0.9981. La red neuronal obtenida se empleó para la simulación de trece condiciones iniciales de añejamiento que no fueron empleadas para el entrenamiento y la validación, detectándose un coeficiente de determinación (R2) de 0.9961.
Palabras clave
rones, añejamiento, mermas, modelación, redes neuronales artificiales
Biografía del autor/a
Beatriz García-Castellanos
Ingeniera Química
Centro de Referencia de Alcoholes y Bebidas (CERALBE)
Osney Pérez-Ones, Ph. D.
Profesor Auxiliar
Decano
Facultad de Ingeniería Química
Lourdes Zumalacárregui-de-Cárdenas, Ph. D.
Profesor Titular
Facultad de Ingeniería Química
Idania Blanco-Carvajal, M.Sc.
Investigador Auxiliar
Jefe de Producción
Centro de Referencia de Alcoholes y Bebidas (CERALBE)
Luis Eduardo López-de-la-Maza
Profesor Instructor
Facultad de Ingeniería Química
Citas
[1] Ministerio de la industria alimentaria. Resolución No. 12/19. La Habana, Cuba, 13-2-2019.
[2] J. Marcano, “El ron. Tradición en Las Antillas,” 2019. Available: https://mipais.jmarcano.com/economia/ron.html.
[3] I. Witten, and E. Frank. Data Mining. Amsterdam: Morgan Kaufmann Publishers, 2005.
[4] M. Servente, “Algoritmos TDIDT aplicados a la minería de datos inteligente”. Tesis de grado, Universidad de Buenos Aires, Buenos Aires. Feb. 2002.
[5] L. Zumalacárregui, O. Pérez, F. Hernández, G. Cruz, G. “Modelación del equilibrio líquido-vapor a presión constante de mezclas etanol-agua utilizando redes neuronales artificiales,” Tecnología Química, vol. 38 (3), pp. 527-548, Jul. 2018.
[6] H. Abdi, and L. J. Williams “Principal component analysis,” Wiley Interdisciplinary Reviews: Computational Statistics, vol. 2 (4), pp. 433-59, Jul.-Aug.2010. https://doi.org/10.1002/wics.101.
[7] E. F. Caicedo, and J. A. López, Una aproximación práctica a las redes neuronales artificiales Santiago de Cali: Programa Editorial Universidad del Valle, Edición digital, Jul. 2017.
[8] J. D. Terán-Villanueva, S. Ibarra-Martínez, J. Laria-Menchaca, J. A. Castán-Rocha, M. G. Treviño-Berrones, A. H. García-Ruiz, and J. E. Martínez-Infante, “Estudio de redes neuronales para el pronóstico de la demanda de asignaturas,” Revista Facultad de Ingeniería, vol. 28 (50), pp. 30-39, Ene. 2019. https://doi.org/10.19053/01211129.v28.n50.2019.8783.
[9] M. A Korany, H. Mahgoub, O. Fahmy, and H. Maher, “Application of artificial neural networks for response surface modelling in HPLC method development,” Journal of Advanced Research, vol. 3 (1), pp. 53-63, Jan. 2012. https://doi.org/10.1016/j.jare.2011.04.001.
[10] L. E. López, L. Zumalacárregui, O. Pérez, and O. Llanes, “Obtención de un modelo neuronal para la estimación de la concentración de etanol en la destilería Héctor Molina,” Tecnología Química, vol. 38 (2), pp. 315-325, May. 2018.