Autor: Jorge Petit-Breuilh Sepúlveda
ABSTRACT: Neural networks are considered at the present time by their great capacity to solve real and complex problems. They possess a great advantage: its the simplicity to develop the models, that makes them very flexible to be used in a great variety of situations. The most important step in the development of neural networks, is the training, for which, a great quantity of experimental data is required.Different structures of neural networks are studied at the present thesis, the effect of the entrance variables, exit variables, number of hidden layers, number of neurons in the hidden layers are analyzed. The methods of training are analyzed. Neural network able to simulate the process of fermentation fed-batch of Zymomonas mobilis CP4 being very important the prediction of the concentrations of biomass and substrate. It is also studied the possibility to developed neural networks that allow predict the feeding flow to the fermentator, with the objective of verifying the feasibility that neural networks are used in simulation that is the base for the control of processes. The possibility of modeling the fed-batch fermentation with a hybrid model consisting in a of neuronal networks complied to mathematical often process. The neural networks was used to compute the kinetic parameters Its was concluded that the neural networks have a better prediction copability, when the exit variables, biomass and substrate concentrations are calculated by independent nets, achieving errors under 5% meaning that computed values caudal present differences of 0,5 g/L for the case of the biomass concentration and 6 g/L, for the substrate concentration. When working with the hybrid systems it was concluded that they are able to simulate the fermentation process, better results were obtained using the standard neural networks. It was studied that it is feasible to simulate the process with neural networks, whenever the work conditions don't differ too much of those used for the training of the neural networks.
RESUMEN: Las redes neuronales se estudian en la actualidad por su gran capacidad de resolver problemas reales y complejos. Poseen una gran ventaja que es la simplicidad para desarrollar los modelos, lo cual las hace muy flexibles para ser utilizadas en una gran variedad de situaciones. El paso más importante en el desarrollo de redes neuronales es el entrenamiento, para lo cual se requiere de una gran cantidad de datos experimentales, lo que muchas veces es una gran dificultad.
En el presente trabajo de título se estudian las distintas estructuras de redes neuronales, para las cuales se analizan el efecto de las variables de entrada, variables de salida, número de capas ocultas y número de neuronas en las capas ocultas. Se estudian y analizan los métodos de entrenamiento y funciones de transferencia para definir la red neuronal capaz de modelar el proceso de fermentación fed-batch de Zymomonas mobilis CP4, siendo muy importante la predicción de las concentraciones de biomasa y substrato. Se estudia, además, la posibilidad de definir redes neuronales que permitan predecir el flujo de alimentación al fermentador, con el objetivo de verificar la factibilidad de que las redes neuronales sean utilizadas en simulación, que es la base para el control de procesos. Se analizó la posibilidad de modelar la fermentación fed-batch con un sistema híbrido que consiste en una mezcla de red neuronal y modelo matemático, con el objetivo de ser comparado con los modelos de redes neuronales estándares.
Se concluyó que las redes neuronales tienen un mejor grado de acierto, cuando las variables de salida, concentración de biomasa y de substrato son calculadas por redes independientes y no en conjunto, logrando errores bajo el 5%, que significa diferencias del orden de 0,5 g/L para el caso de la concentración de biomasa y de 6 g/L, para la de substrato.
Analizando los resultados de las simulaciones del proceso de fermentación fed-batch, se concluyó que se obtienen mejores resultados utilizando modelos de redes neuronales estándares que utilizando modelos híbridos.
Se estudió que es factible simular el proceso con redes neuronales, siempre que las condiciones de trabajo sean similares a las utilizadas en el entrenamiento de las redes neuronales.
En el presente trabajo de título se estudian las distintas estructuras de redes neuronales, para las cuales se analizan el efecto de las variables de entrada, variables de salida, número de capas ocultas y número de neuronas en las capas ocultas. Se estudian y analizan los métodos de entrenamiento y funciones de transferencia para definir la red neuronal capaz de modelar el proceso de fermentación fed-batch de Zymomonas mobilis CP4, siendo muy importante la predicción de las concentraciones de biomasa y substrato. Se estudia, además, la posibilidad de definir redes neuronales que permitan predecir el flujo de alimentación al fermentador, con el objetivo de verificar la factibilidad de que las redes neuronales sean utilizadas en simulación, que es la base para el control de procesos. Se analizó la posibilidad de modelar la fermentación fed-batch con un sistema híbrido que consiste en una mezcla de red neuronal y modelo matemático, con el objetivo de ser comparado con los modelos de redes neuronales estándares.
Se concluyó que las redes neuronales tienen un mejor grado de acierto, cuando las variables de salida, concentración de biomasa y de substrato son calculadas por redes independientes y no en conjunto, logrando errores bajo el 5%, que significa diferencias del orden de 0,5 g/L para el caso de la concentración de biomasa y de 6 g/L, para la de substrato.
Analizando los resultados de las simulaciones del proceso de fermentación fed-batch, se concluyó que se obtienen mejores resultados utilizando modelos de redes neuronales estándares que utilizando modelos híbridos.
Se estudió que es factible simular el proceso con redes neuronales, siempre que las condiciones de trabajo sean similares a las utilizadas en el entrenamiento de las redes neuronales.
No hay comentarios:
Publicar un comentario