Page 149 AG106
P. 149


Aplicación de Redes Neuronales Artificiales: Predicción de rendimientos del proceso de extracción de aceite de canola




ción de ésta herramienta a nivel indus- de esta herramienta de inteligencia arti- - Shokri, A., Hatami, T., Khamforoush, M. (2011).
trial es promisoria teniendo en cuenta el ficial para el modelado y la predicción Near critical carbon dioxide extraction of Anise
(Pimpinella Anisum L.) seed: Mathematical and
funcionamiento de un proceso industrial de procesos complejos que dependen
artificial neural network modeling. The Journal
donde pueden recopilarse datos de pro- de múltiples variables a partir de un of Supercritical Fluids, 58(1), 49-57.
ceso continuamente. conjunto de datos experimentales, así - Ramzi, M., Kashaninejad, M., Salehi, F., Mahoo-
como su capacidad de captar el compor- nak, A. R. S., Razavi, S. M. A. (2015). Modeling
of rheological behavior of honey using genetic
tamiento del fenómeno aún procesando algorithm–artificial neural network and adaptive
· Conclusiones datos con ruido. neuro-fuzzy inference system. Food Bioscience,
9, 60-67.
Los resultados obtenidos muestran la - Hagan, M. T., Demuth, H. B., Beale, M. H.
Neural network design, 1996.PWS Pub, Boston,
capacidad de las redes neuronales artifi- Referencias
London.
ciales para modelar y predecir variables
de proceso; y la potencialidad de su uti- - Fathi, M., Mohebbi, M., Razavi, S. M. A.
lización para simular el comportamiento (2011). Application of image analysis and artifi- · Reconocimientos
cial neural network to predict mass transfer kine-
de la materia prima ante un determinado tics and color changes of osmotically dehydrated
proceso conociendo características de kiwifruit. Food and Bioprocess Technology,4(8), Los autores agradecen el financiamiento
fácil y económica determinación a esca- 1356-1367. a la Facultad de Ingeniería (Universi-
la de laboratorio, ya que a medida que - Rafiq, M. Y., Bugmann, G., Easterbrook, D. J. dad Nacional del Centro de la Provincia
(2001). Neural network design for engineering
aumenta el número de datos de entre- applications. Computers & Structures, 79(17), de Buenos Aires), a CONICET y a la
namiento se incrementa la precisión de 1541-1552. ANPCyT (Agencia Nacional de Promo-
la predicción. A su vez, se pudo obser- - IUPAC. (1992). Standard Methods for the ción Científica y Tecnológica). También
Analysis of Oils, Fats and Derivatives, 7th edn.
var la capacidad de la red para captar agradecen en forma especial AL HIGH
C. Paquot and A. Hautfenne, International Union
la relación existente entre las variables, of Pure and Applied Chemistry, Blackwell TECH S.R.L. (Argentina) por donar la
demostrando la potencialidad del uso Scientific. Oxford. canola utilizada durante este trabajo n














































A&G 106 • Tomo XXVII • Vol. 3 • 138-141 • (2017) 141
   144   145   146   147   148   149   150   151   152   153   154