Utilização de redes neurais artificiais para estudar o processo de secagem de banana e abacate

Abstract

Uma rede neural artificial (RNA) pode ser definida como um conjunto de funções matemáticas com uma estrutura de processamento que consistem em uma série de técnicas computacionais que apresentam um comportamento específico de entrada/saída e que podem ser implementadas em dispositivos eletrônicos. A capacidade dessa ferramenta de reconhecer padrões através de um determinado conjunto de dados permitiu sua utilização no estudo do processo de secagem de frutas partindo de dados coletados experimentalmente. Os gráficos gerados comparando os valores estimados pelas redes neurais e os valores esperados apresentaram coeficientes de correlação na faixa de 0,9 a 1. Os erros relativos médios variaram entre 0,20% e 1,5% para a umidade e a massa, enquanto para o fluxo mássico apresentaram valores maiores, entre 2% e 45% (45% no caso do abacate). Esses valores altos para os erros do fluxo mássico podem ser explicados pelos baixos valores de fluxo, principalmente no final do ensaio, fazendo com que os valores encontrados pela rede, mesmo que com uma pequena diferença absoluta, apresentassem erros relativos altos. Com isso, os resultados adquiridos no presente trabalho foram satisfatórios, principalmente no caso da banana, indicando que essa técnica pode ser utilizada para prever resultados do processo de secagem em diversas condições.

An artificial neural network (ANN) can be defined as a set of mathematical functions with a processing structure that consists of a series of computational techniques that exhibit specific input / output behavior and that can be implemented in electronic devices. The ability of this tool to recognize patterns through a given set of data uses its use in the study of the drying process of fruits based on data collected experimentally. The graphs generated comparing the values estimated by the neural networks and the expected values of correlation coefficients in the range of 0.9 to 1. The average relative errors vary between 0.20% and 1.5% for humidity and mass, while for the mass flow higher values, between 2% and 45% (45% in the case of avocado). These high values for the mass flow errors can be explained by the low flow values, mainly at the end of the test, making the values found by the network, even with a small absolute difference, present high relative errors. Thus, the results obtained in the present work were satisfactory, especially in the case of bananas, indicating that this technique can be used to predict the result of the drying process under different conditions.