Modelagem hibrido neuronal aplicada a processos fermentativos

• Main Author: Harada, Layse Harumi Pereira
• Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
• Format: Others
• Language: Portuguese
• Published: [s.n.] 2001
• Subjects: Simulação (Computadores); Modelos matemáticos; Redes neurais (Computação); Fermentação; Otimização matemática
• Online Access: HARADA, Layse Harumi Pereira. Modelagem hibrido neuronal aplicada a processos fermentativos. 2001. 77p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/266268>. Acesso em: 28 jul. 2018.; http://repositorio.unicamp.br/jspui/handle/REPOSIP/266268

Orientadores : Rubens Maciel Filho, Aline Carvalho da Costa === Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica === Made available in DSpace on 2018-07-28T19:07:09Z (GMT). No. of bitstreams: 1 Harada_LayseHarumiPereira_M.pdf: 2278556 bytes, checksum: 2a3574abae7c5d82b8cdb92826cb173e (MD5) Previous issue date: 2001 === 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 === Abstract: One of the most severe problems in the control and optimization of biotechnological process is the construction of reliable models of the system. For these processes, the development of detailed models based on fundamental principIes and intense kinetic studies is frequent1y expensive and time consuming. Thus, it would be of great advantage to find some simple and rapid way of describing them, accurately enough for optimization and control. Many methods have been proposed in recent years to achieve this goal. One of them is the use of neural networks. The training of a neural network, however, requires a large number of experimental data. Furthennore, the interpretation of such models is difficult. Another altemative is the use of hybrid neural models, in which the aspects of the problem whose quantitative behavior is well understood are described by detenninistic mathematical equations, while neural networks describe the kinetics. These models are expected to perfonn better than "black-box" neural network models, since generalization and extrapolation are confined only to the uncertain parts of the process and the basic mo deI is always consistent with first principIes. Besides, significantly fewer data are required for their training. There are many neural network structures cited in the literature and there are no methods proposed to define the best structure to be used for a given case. In the majority of the papers applying neural networks to bioprocesses, the feedforward neural network (FNN) is used. A structure that has not been much explored is the functional link network (FLN). This network has been shown to have a good non-linear approximation capability although the estimation of its weights is linear. Due to the linear estimation, its training is rapid, requires low computational effort and the convergence is guaranteed. The objective of the present work is to determine a model for an extractive ethanol production process in a simple and rapid way. This model must be sufficient1y reliable to be used for posterior optimization and control studies. A hybrid neural model is constructed, using neural networks to describe the unknown kinetics. A comparison is made between the use ofthe FLNs and the FNNs to describe the process kinetics. It is shown that the functional link networks enables the development of hybrid neural models with significant advantage when compared to conventional artificial neural networks. The hybrid model presents a good performance and is much simpler than the one using the FNNs. As the estimation ofthe network weights in the FLNs is linear, their use in the hybrid mo deI enables simple implementation of an adaptive scheme in which weights are reestimated on-line based on process data === Mestrado === Desenvolvimento de Processos Químicos === Mestre em Engenharia Química