Page 148 AG106

· P R o CES o S I N d USTRIA l ES ·

y es fácilmente aplicable (Shokri et al., cuales presentaron errores inferiores con y las variables seleccionadas, por lo cual
2011), y para el ajuste de los pesos se respecto a las temperaturas restantes (40 la correcta selección de las mismas es
empleó el algoritmo Levenberg-Mar- y 60 °C). un aspecto fundamental. Por otro lado la
quardt. Los parámetros de entrada de la precisión del modelo aumenta al incre-
red fueron tiempo, temperatura y con- Cabe destacar que la eficiencia de una mentar la alimentación de datos, la red
tenido total de aceite, y el rendimiento RNA depende de la existencia de alguna “aprende” de forma continua sobre lo ya
de extracción de aceite en porcentaje en relación entre la/s respuestas a estudiar aprendido. En este contexto, la utiliza-
base seca (%bs) como respuesta de sali-
da. Los datos de rendimientos fueron Figura 2 - Rendimientos de extracción experimentales y predichos por la RNA.
separados en dos set, el primero (datos
de entrenamiento y validación de la
red) se utilizó para ajustar y optimizar
los parámetros de la RNA, y un segun-
do set de datos se utilizó para evaluar
la capacidad de predicción de la misma.
En la Tabla 1 se especifica la selección
de datos.

· Resultados y discusión

La cantidad óptima de neuronas en la
capa oculta se determinó minimizando la
diferencia entre los valores experimen-
tales y los predichos por la red para el
grupo de entrenamiento y validación. En
la Figura 1 se muestra un esquema de la
RNA seleccionada como óptima para el
modelado del sistema estudiado. La mis-
ma se compone de 3 entradas (Tiempo,
Temperatura, Contenido de aceite total),
1 salida (Rendimiento de extracción) y
11 neuronas en una capa oculta. Los ren-
dimientos predichos por la red, los ren-
dimientos experimentales y los errores,
como diferencia entre los valores experi-
mentales medidos y los predichos por la
RNA, se muestra en la Figura 2.

En ningún caso la diferencia entre los
rendimientos experimentales y simula-
dos supera el 4 % aceite (b.s.); mientras
que el 71% de los datos simulados pre-
senta una diferencia por debajo de 2 %
(b.s.) de aceite. Cabe mencionar que en
muchos casos la diferencia de predicción
fue inferior o igual al error asociado a la
metodología de medición del rendimien-
to experimental. Las redes neuronales
artificiales presentan mayor precisión
de predicción para valores intermedios
de temperatura con respecto al rango de
entrenamiento; lo que se evidencia en
Autores: Sánchez, R.; Zárate, V.; Fernández, M.; Nolasco, S.
los resultados obtenidos para 50 °C, los

140 A&G 106 • Tomo XXVII • Vol. 3 • 138-141 • (2017)