Dissertação
Aplicação de redes neurais no estudo do perfil do álcool etílico hidratado combustível comercializado em diferentes regiões no estado do Paraná
Autor
Walkoff, Aline Regina
Institución
Resumen
Ethanol fuel must comply with quality control parameters such as density, alcohol
content, pH and electrical conductivity. Its characteristics may vary according to its
trade regions. Physical-chemical analysis data were collected, from 998 hydrous
ethanol fuel samples traded in regions designated as “north”, “midwest" and “east” on
the state of Paraná. The data fueled multilayer perceptron networks and selforganizing
maps, both kinds of artificial neural networks, which classified the samples
according to their trade regions. The perceptron networks learning rate was 0,10 and
the samples were randomly divided, being 70% for training, 15% for testing and 15%
for validation. One hundred networks were trained and the best performance was
obtained by a network with six neurons in the hidden layer, which reached 85% of
correction percentage for training, 82% for testing and 84% for validation. The selforganizing
maps best configuration had a 45 x 45 topology and 5000 training epochs,
with a final learning rate of 6.7x10-4, a final neighborhood relationship of 3x10-2and a
mean quantization error of 2x10-2. This neural network gave origin to a topological
map depicting three separated groups, each one corresponding to samples of a
same region of trade. Four maps of weights, one for each parameter, were
presented. Both kinds of neural networks made possible the separation of samples
according do their region of trade and agreed the density was a relevant parameter
for the classification. O etanol combustível deve estar adequado a parâmetros de controle de qualidade,
tais como massa específica, teor de álcool, pH e condutividade elétrica. Suas
características podem variar de com acordo sua região de comércio. Dados de
análises físico-químicas foram coletados, de 998 amostras de etanol hidratado
combustível comercializado em regiões designadas como “norte”, “centro-oeste” e
“leste” do estado do Paraná. Os dados alimentaram redes neurais perceptron de
múltiplas camadas e mapas auto-organizáveis, ambos os tipos de redes neurais
artificiais, que classificaram as amostras conforme sua região de comercialização. A
taxa de aprendizagem das redes neurais perceptron foi 0,10 e as amostras foram
divididas aleatoriamente, sendo 70% para treinamento, 15% para teste e 15% para
validação. Uma centena de redes foi treinada e o melhor desempenho foi obtido por
uma rede neural com seis neurônios na camada oculta, a qual atingiu 85% de acerto
para treinamento, 82% para teste e 84% para validação. A melhor configuração para
mapas auto-organizáveis foi a de topologia 45 x 45 e 5000 épocas de treinamento,
com uma taxa de aprendizagem final de 6,7x10-4, uma relação de vizinhança final de
3x10-2 e um erro de quantização médio de 2x10-2. Esta rede neural deu origem a um
mapa topológico mostrando três grupos separados, cada um correspondendo a
amostras de uma mesma região de comercialização. Quatro mapas de pesos, um
para cada parâmetro, foram apresentados. Ambos os tipos de redes neurais
tornaram possíveis a separação das amostras de acordo com a região de
comercialização e concordaram que a massa específica foi um parâmetro relevante
para a classificação.