Application of artificial neural networks in the prediction of sugarcane juice Pol

AUTOR(ES)
FONTE

Rev. bras. eng. agríc. ambient.

DATA DE PUBLICAÇÃO

2019-01

RESUMO

RESUMO Técnicas inovadoras que busquem minimizar os custos de produção e a onerosidade de determinadas operações são um dos grandes desafios atualmente no setor sucroenergético. Nesse sentido, objetivou-se estimar os valores do Pol do caldo da cana-de-açúcar, em função do °Brix e do peso do bolo úmido (PBU), utilizando modelagem por redes neurais artificiais (RNAs). Foi organizado um banco de dados constituído de 204 análises tecnológicas provenientes de um experimento de campo com 15 tratamentos e 2 anos de avaliação. Foram utilizados 75% dos dados para a calibração do modelo e 25% para a validação. Foram utilizadas RNAs do tipo Multilayer Perceptron para calibração e validação dos dados. Antes da calibração, as variáveis foram normalizadas. O algoritmo de treinamento utilizado foi o backpropagation e a função de ativação foi a sigmoide. As RNAs foram estabelecidas com duas camadas ocultas e o número de neurônios variando de 4 a 20 em cada. As 15 RNAs com menor raiz do erro quadrático médio foram apresentadas aleatoriamente pelo software, dentre as quais 6 foram escolhidas para verificação da acurácia. As RNAs apresentaram elevada acurácia para a estimativa do Pol do caldo da cana-de-açúcar, tanto na fase de calibração (R2 = 0,948; RMSE = 0,36%) quanto na validação (R2 = 0,878; RMSE = 0,41%), podendo ser alternativa viável ao método padrão de análise. Redes mais simples podem ser treinadas para apresentarem a mesma acurácia que redes mais complexas.ABSTRACT Innovative techniques that seek to minimize the costs of production and the laboriousness of certain operations are one of the great challenges in the sugar-energy sector nowadays. Thus, the objective of the present study was to estimate the Pol values of sugarcane juice as a function of °Brix and wet cake weight (WCW) using artificial neural network (ANN) modeling. A database was organized consisting of 204 technological analyses from a field experiment with 15 treatments and 2 years of evaluation. 75% of the data were used for the calibration of the model and 25% for its validation. Multilayer Perceptron ANNs were used for calibration and validation of the data. Before calibration, the variables were normalized. The training algorithm used was backpropagation and the activation function was the sigmoid. The ANNs were established with two hidden layers and the number of neurons ranging from 4 to 20 in each. The 15 ANNs with the lowest root mean square errors were randomly presented by the software, among which 6 were chosen to verify the accuracy. The ANNs had a high accuracy in the estimation of sugarcane juice Pol, both in the calibration phase (R2 = 0.948, RMSE = 0.36%) and in the validation (R2 = 0.878, RMSE = 0.41%), and can replace the standard method of analysis. Simpler networks can be trained to have the same accuracy as more complex networks.

Documentos Relacionados