Publicação: Estimativa do fluxo de permeado do soro de leite no processo de microfiltração tangencial através de modelos neurais
Carregando...
Data
Autores
Orientador
Nascimento, Érica Regina Filletti 
Coorientador
Pós-graduação
Curso de graduação
Engenharia Química - IQ
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
As Redes Neurais Artificiais (RNAs) são funções matemáticas que tentam reproduzir a estrutura e o funcionamento das redes neurais biológicas, através de técnicas computacionais, e adquirem conhecimento através da experiência. Assim, fazendo uma breve comparação das RNAs com as redes biológicas, ambos os sistemas são baseados em conexões sinápticas e funcionam através de uma função do conjunto de neurônios. Na maioria dos modelos as conexões entre os neurônios estão associadas a pesos, os quais armazenam o conhecimento representado no modelo e servem para ponderar a entrada recebida por cada neurônio da rede neural. Dessa forma, a resolução de problemas se inicia com uma fase de aprendizagem, onde exemplos são apresentados à rede neural e depois, após extrair características necessárias para representar a informação recebida, essas características são utilizadas para gerar respostas para o problema, para dados não utilizados no treinamento da RNA. Essa ferramenta foi utilizada para estimar o fluxo do permeado do soro de leite no processo da microfiltração tangencial, a qual foi bem sucedida, especialmente com a membrana de filtração que continha mais amostras para serem analisadas, com erros de 3% a 9%.
Resumo (inglês)
Artificial Neural Networks (ANNs) are mathematical functions that try to reproduce the neural structure and functioning of biological neural networks, through computational techniques, and acquire knowledge through experience. Thus, making a brief comparison of ANNs and biological networks, both systems are based on synaptic connections and work through a function of the set of neurons. In most models, the connections between neurons are associated with weights, which store the knowledge represented in the model and serve to weight the input received by each neuron in the neural network. Thus, problem solving starts with a learning phase, where examples are presented to the neural network and then, after extracting characteristics necessary to represent the information received, these characteristics are used to generate answers to the problem, for unused data in ANN training. This tool was used to estimate the whey permeate flux in the crossflow microfiltration process, which was successful, especially with the filtration membrane that contained more samples to be analyzed, with errors ranging from 3% to 9%.
Descrição
Palavras-chave
Algoritmo de aprendizagem, Microfiltração tangencial, Soro do leite, Fluxo de permeado
Idioma
Português
