Submitted by Marcio Filho (marcio.kleber@ufba.br) on 2017-06-02T12:54:45Z
No. of bitstreams: 1
Dissertacao_Carlos_Eduardo_Tanajura_da_Silva.pdf: 4957398 bytes, checksum: 6c7b0143e1fa8db0895eb3ea9bd85d0b (MD5) / Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2017-06-08T11:03:34Z (GMT) No. of bitstreams: 1
Dissertacao_Carlos_Eduardo_Tanajura_da_Silva.pdf: 4957398 bytes, checksum: 6c7b0143e1fa8db0895eb3ea9bd85d0b (MD5) / Made available in DSpace on 2017-06-08T11:03:34Z (GMT). No. of bitstreams: 1
Dissertacao_Carlos_Eduardo_Tanajura_da_Silva.pdf: 4957398 bytes, checksum: 6c7b0143e1fa8db0895eb3ea9bd85d0b (MD5) / O Brasil destaca-se entre os maiores exportadores de grãos do mundo, sendo assim, cada vez mais surgem novos produtos e derivados destas Commodity. Os métodos para classificação desses produtos muitas vezes são custosos e demorados, quase sempre se valendo de técnicas de química analítica e métodos matemáticos como PCA (Principal Component Analysis), PCR (Principal Components Regression) ou PLS (Properties of Partial Least Squares) e RNA (Redes Neurais Artificiais) para aumentar sua eficiência. Devido à grande variedade de produtos são necessários métodos mais eficientes para qualificar, caracterizar e classificar estas substâncias, uma vez que o preço final deve refletir a excelência do produto que chega ao consumidor. Este trabalho propõe uma solução para classificação de óleos vegetais: Canola, Girassol, Milho e Soja colocados no mercado por diferentes marcas e fabricantes. O método de análise empregado é a fluorescência induzida por LED de amostras de óleo diluídas em heptano, com diferentes concentrações, sendo que a classificação dos espectros de fluorescência foi feita por RNA. Foram produzidas e caracterizadas 640 amostras, sendo 480 para treinamento da rede neural e 160 para sua validação. Para a classificação das amostras de fluorescência, os dados foram organizados em dois estudos, o primeiro com referência ao tipo das amostras, o segundo a titulação, este por final contento três arranjos dos dados e RNAs distintas. Na classificação do tipo das amostras, a rede conseguiu identificar 115 amostras, tendo acertado aproximadamente 72% destas amostras de validação. A classificação por titulação, utilizou a metade das amostras de fluorescência, o universo de treinamento passou a ter 240 amostras, as de validação 80. Para esse segundo estudo houve 3 arranjos desses dados, o resultado do primeiro arranjo teve 33 amostras classificadas com sucesso de 80, o segundo 49 e o terceiro 31.
| Identifer | oai:union.ndltd.org:IBICT/oai:192.168.11:11:ri/22924 |
| Date | 14 March 2014 |
| Creators | Silva, Carlos Eduardo Tanajura da |
| Contributors | Pepe, Iuri Muniz, Pepe, Iuri Muniz, Chaves, Modesto Antônio, Farias, Paulo César Machado de Abreu |
| Publisher | Escola Politécnica /Instituto de Matemática., Programa de Pós-Graduação em Mecatrônica, UFBA, brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFBA, instname:Universidade Federal da Bahia, instacron:UFBA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds