Modelagem hibrido neuronal aplicada a processos fermentativos

Autor(es)

Layse Harumi Pereira Harada

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Química
• Data de defesa: 2001-02-22

Membros da banca

Rubens Maciel Filho; Liliane Maria Ferrareso Lona; Dalva Janine Rita

• Orientador: Aline Carvalho da Costa; Rubens Maciel Filho

Resumo

Um dos principais problemas no controle e otimização de processos biotecnológicos é a construção de modelos confiáveis para o sistema. Para estes processos, o desenvolvimento de modelos detalhados baseado em princípios fundamentais e intensos estudos cinéticos são freqüentem ente caros e consomem tempo. Assim, seria de grande vantagem encontrar algum modo simples e rápido que os descrevessem, para posterior uso em otimização e controle. Foram propostos muitos métodos recentemente para alcançar esta meta. Um deles é o uso de redes neuronais. O treinamento de uma rede neuronal, porém, requer um número grande de dados experimentais. Além disso, a interpretação de tais modelos é difícil. Outra alternativa é o uso de um modelo híbrido neuronal no qual os aspectos do problema cujo comportamento quantitativo é bem compreendido são descritos através de equações matemáticas determinísticas, enquanto as redes neuronais descrevem a cinética. É esperado que estes modelos tenham um melhor desempenho que as redes neuronais do tipo caixa preta, já que a generalização e extrapolação estão limitadas às partes incertas do processo e o modelo básico sempre é consistente com os princípios fundamentais. Além disso, menos dados são requeridos para o treinamento. Há muitas estruturas de redes neuronais citadas na literatura e não há nenhum método proposto que defina a melhor estrutura a ser usada para um determinado caso. Na maioria dos artigos presentes na literatura que aplicam redes neuronais para bioprocessos, a rede neuronal do tipo feedforward (FNN) é usada. Uma estrutura que não foi muito explorada é a rede funcionallink (FLN). Esta rede demonstrou ter boa capacidade de aproximação não­linear apesar da estimação de seus pesos ser linear. Devido à estimação linear, seu treinamento é rápido, requer baixo esforço computational e a convergência é garantida. O objetivo do trabalho presente é determinar um modelo para um processo extrativo de produção de álcool de uma maneira simples e rápida. Este modelo deve ser suficientemente confiável para fins de optimização e estudos de controle. Um modelo híbrido neuronal é construí do e redes neuronais são utilizadas para descrever as cinéticas desconhecidas. Uma comparação é feita entre o uso das FLNs e das FNNs na descrição da cinética de processo. É demonstrado que as redes neuronais do tipo funcional link permitem o desenvolvimento de um modelo híbrido neuronal com uma vantagem significante quando comparados com redes neuronais artificiais convencionais. O modelo híbrido apresenta bom desempenho e é mais simples que o obtido fazendo uso de redes neuronais do tipo feedforward. Como a estimação dos pesos é linear para as redes FLNs, o seu uso no modelo híbrido pode possibilitar uma implementação simples de um esquema adaptativo, no qual os pesos são reestimados on-line baseados nos dados do processo (AU)

• Processo FAPESP: 99/02594-6 - Modelagem hibrido neuronal aplicada a processos fermentativos.
• Beneficiário: Layse Harumi Pereira Harada
• Modalidade de apoio: Bolsas no Brasil - Mestrado