Neural Model for the Prediction of Volume Losses in the Aging Process of Rums

Revista Facultad de Ingeniería

View Publication Info
 
 
Field Value
 
Title Neural Model for the Prediction of Volume Losses in the Aging Process of Rums
Modelo neuronal para la predicción de mermas en el proceso de añejamiento de rones
 
Creator García-Castellanos, Beatriz
Pérez-Ones, Osney
Zumalacárregui-de-Cárdenas, Lourdes
Blanco-Carvajal, Idania
López-de-la-Maza, Luis Eduardo
 
Subject rums
aging
volume losses
modeling
artificial neural networks
MATLAB
rones
añejamiento
mermas
modelación
redes neuronales artificiales
 
Description The rum aging process shows volume losses, called wastage. The numerical operation variables: product, boardwalk, horizontal and vertical positions, date, volume, alcoholic degree, temperature, humidity and aging time, recorded in databases, contain valuable information to study the process. MATLAB 2017 software was used to estimate volume losses. In the modeling of the rum aging process, the multilayer perceptron neuronal network with one and two hidden layers was used, varying the number of neurons in these between 4 and 10. The Levenberg-Marquadt (LM) and Bayesian training algorithms were compared (Bay) The increase in 6 consecutive iterations of the validation error and 1,000 as the maximum number of training cycles were the criteria used to stop the training. The input variables to the network were: numerical month, volume, temperature, humidity, initial alcoholic degree and aging time, while the output variable was wastage. 546 pairs of input/output data were processed. The statistical Friedman and Wilcoxon tests were performed to select the best neural architecture according to the mean square error (MSE) criteria. The selected topology has a 6-4-4-1 structure, with an MSE of 2.1∙10-3 and a correlation factor (R) with experimental data of 0.9898. The neural network obtained was used to simulate thirteen initial aging conditions that were not used for training and validation, detecting a coefficient of determination (R2) of 0.9961.
El proceso de añejamiento de ron experimenta pérdidas de volumen, denominadas mermas. Las variables numéricas de operación: producto, rambla, posiciones horizontal y vertical, fecha, volumen, grado alcohólico, temperatura, humedad y tiempo de añejamiento, registradas en bases de datos, contienen información valiosa para estudiar el proceso. Se utilizó el software MATLAB 2017 para estimar las pérdidas en volumen. En la modelación del proceso de añejamiento de ron se utilizó la red neuronal perceptrón multicapa con una y dos capas ocultas, variándose el número de neuronas en estas entre 4 y 10. Se compararon los algoritmos de entrenamiento Levenberg-Marquadt (L-M) y Bayesiano (Bay). El incremento en 6 iteraciones consecutivas del error de validación y 1 000 como número máximo de ciclo de entrenamiento fueron los criterios utilizados para detener el entrenamiento.  Las variables de entrada a la red fueron: mes numérico, volumen, temperatura, humedad, grado alcohólico inicial y tiempo de añejamiento, mientras que la variable de salida fue mermas. Se procesaron 546 pares de datos de entrada/salida. Se realizaron las pruebas estadísticas de Friedman y Wilcoxon para la selección de la arquitectura neuronal de mejor comportamiento de acuerdo al criterio del error cuadrático medio (MSE). La topología seleccionada presenta la estructura 6-4-4-1, con un MSE de 2.1∙10-3 y un factor de correlación (R) con los datos experimentales de 0.9981. La red neuronal obtenida se empleó para la simulación de trece condiciones iniciales de añejamiento que no fueron empleadas para el entrenamiento y la validación, detectándose un coeficiente de determinación (R2) de 0.9961.
 
Publisher Universidad Pedagógica y Tecnológica de Colombia
 
Date 2020-02-22
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
 
Format application/pdf
application/pdf
application/xml
 
Identifier https://revistas.uptc.edu.co/index.php/ingenieria/article/view/10514
10.19053/01211129.v29.n54.2020.10514
 
Source Revista Facultad de Ingeniería; Vol 29 No 54 (2020): Continuos Publication; e10514
Revista Facultad de Ingeniería; Vol. 29 Núm. 54 (2020): Publicación Continua; e10514
2357-5328
0121-1129
 
Language eng
spa
 
Relation /*ref*/Ministerio de la industria alimentaria. Resolución No. 12/19. La Habana, Cuba, 13-2-2019.
/*ref*/J. Marcano, “El ron. Tradición en Las Antillas,” 2019. Available: https://mipais.jmarcano.com/economia/ron.html.
/*ref*/I. Witten, and E. Frank. Data Mining. Amsterdam: Morgan Kaufmann Publishers, 2005.
/*ref*/M. Servente, “Algoritmos TDIDT aplicados a la minería de datos inteligente”. Tesis de grado, Universidad de Buenos Aires, Buenos Aires. Feb. 2002.
/*ref*/L. Zumalacárregui, O. Pérez, F. Hernández, G. Cruz, G. “Modelación del equilibrio líquido-vapor a presión constante de mezclas etanol-agua utilizando redes neuronales artificiales,” Tecnología Química, vol. 38 (3), pp. 527-548, Jul. 2018.
/*ref*/H. Abdi, and L. J. Williams “Principal component analysis,” Wiley Interdisciplinary Reviews: Computational Statistics, vol. 2 (4), pp. 433-59, Jul.-Aug.2010. https://doi.org/10.1002/wics.101.
/*ref*/E. F. Caicedo, and J. A. López, Una aproximación práctica a las redes neuronales artificiales Santiago de Cali: Programa Editorial Universidad del Valle, Edición digital, Jul. 2017.
/*ref*/J. D. Terán-Villanueva, S. Ibarra-Martínez, J. Laria-Menchaca, J. A. Castán-Rocha, M. G. Treviño-Berrones, A. H. García-Ruiz, and J. E. Martínez-Infante, “Estudio de redes neuronales para el pronóstico de la demanda de asignaturas,” Revista Facultad de Ingeniería, vol. 28 (50), pp. 30-39, Ene. 2019. https://doi.org/10.19053/01211129.v28.n50.2019.8783.
/*ref*/M. A Korany, H. Mahgoub, O. Fahmy, and H. Maher, “Application of artificial neural networks for response surface modelling in HPLC method development,” Journal of Advanced Research, vol. 3 (1), pp. 53-63, Jan. 2012. https://doi.org/10.1016/j.jare.2011.04.001.
/*ref*/L. E. López, L. Zumalacárregui, O. Pérez, and O. Llanes, “Obtención de un modelo neuronal para la estimación de la concentración de etanol en la destilería Héctor Molina,” Tecnología Química, vol. 38 (2), pp. 315-325, May. 2018.
https://revistas.uptc.edu.co/index.php/ingenieria/article/view/10514/8833
https://revistas.uptc.edu.co/index.php/ingenieria/article/view/10514/8834
https://revistas.uptc.edu.co/index.php/ingenieria/article/view/10514/9173
 
Coverage N.A.
N.A.
 
Rights Copyright (c) 2020 Beatriz García-Castellanos, Osney Pérez-Ones, Ph. D., Lourdes Zumalacárregui-de-Cárdenas, Ph. D., Idania Blanco-Carvajal, M.Sc., Luis Eduardo López-de-la-Maza
http://creativecommons.org/licenses/by/4.0
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library