Orientador: Daniel Barrera Arellano / Tese (doutorado) - Universidade Estadual de Campinas. Faculdade de Engenharia de Alimentos / Made available in DSpace on 2018-07-22T22:22:48Z (GMT). No. of bitstreams: 1
Block_JaneMara_D.pdf: 5700147 bytes, checksum: 719b5a0e35ae69d9f57dc4b9b9a810b9 (MD5)
Previous issue date: 1997 / Resumo: Na atualidade, produtos como margarinas e gorduras hidrogenadas de uso industrial são formulados utilizando-se várias bases hidrogenadas, através de uma técnica denominada de ''blending''. Para se determinar a proporção dos componentes (bases) da mistura são utilizados métodos como a programação linear, equivalentes estatísticos ou arquivos de formulas armazenadas em computador. Tais métodos estão fortemente vinculados à experiência do formulador uma vez que apresentam sérias limitações. As redes neurais ( sistemas computacionais baseados na estrutura e comportamento dos sistemas biológicos), estão sendo muito utilizadas na resolução de problemas complexos e podem ser uma poderosa ferramenta na formulação de gorduras. No presente trabalho foram construídas e treinadas, com base no perfil de sólidos do produto a formular, três redes neurais do tipo "perceptron". As redes, desenhadas para formular gorduras com 3 ingredientes (1 óleo e 2 bases hidrogenadas derivadas de soja), atuam em 3 níveis de decisão seqüenciais: técnico, disponibilidade e custos. O treinamento das redes foi realizado com 78, 63 e 112 produtos para as redes 1, 2 e 3, respectivamente. De acordo com a análise de especialistas, a Rede 1 apresentou uma eficiência de 73% na formulação de produtos realizados no treinamento. Para as Redes 2 e 3, a eficiência observada na etapa de treinamento foi de aproximadamente 1000/0. De acordo com a análise estatística, foram observadas diferenças de desempenho entre as Redes 1 e as Redes 2 e 3, sendo o pior desempenho atribuído à Rede 1. Nos testes para generalização de conhecimento, realizados com 17 produtos não utilizados na etapa de treinamento, foi observada na eficiência de aproximadamente 10001<» para as Redes 2 e 3, sendo que a análise estatística também não indicou diferença no desempenho das redes. Nos testes para verificação da amplitude de aplicação (realizado com 17 produtos comerciais), as Redes 2 e 3 obtiveram um índice de 64,1%, sendo que a análise estatística indicou desempenho melhor para a Rede 2. Em todos os testes realizados, as 3 redes forneceram respostas mais precisas nas temperaturas mais baixas (10, 20 e 25°C) e para produtos com teor de sólidos mais elevados. Para a Rede 3, foram realizados também testes de formulação de margarinas e cremes vegetais produzidos em escala piloto, com resultados similares aos produtos fabricados pela indústria de acordo com seus métodos. Os resultados obtidos demonstraram uma grande potencial de utilização das redes neurais como una alternativa aos procedimentos convencionais de formulação. / Abstract: Nowadays products such as margarine and hydrogenated fats used in industries are made using several hydrogenated bases through a technique called "blending". In order to deternrine the proportion of the components (bases) of the mixture methods such as linear programming, statistical equivalents or formula files stored in computer are used. These methods are greatly bonded to the experience of the formulator and present serious limitations. The neural networks (computer systems based on the structure and behavior of biological structures) are being used in the solving of complex problems and can be a powerful tool in formulating fats. In this work three neural networks of the "perceptron" type were built and trained based on the profile of the solids of the product to be formulated. The networks, projected to formulate fats with 3 ingredients (1 oil and 2 hydrogenated bases derived from soybean), act on three levels of sequential decisions: technical, availability and costs. The training of the networks was done with 78, 63 and 112 products for networks 1, 2 and 3, respectively. According to the analysis of specialists, network 1 showed a efficiency of 73% in the formulation of products used in the training. For network 2 and 3 the efficiency observed in the training stage was approximately 100%. According to the statistical analysis differences in performance between network 1 and 2 e 3 were observed, being the worst performance that of network 1. In the tests for generalization of knowledge, applied with 17 products not using the training stage, an efficiency of approximately 100% for network 2 and 3 was observed, being that the statistical analysis did not show a difference in performance among the networks. In the tests for verification of application amplitude (with 17 commercial products) the networks 2 and 3 resulted in a index of 64,70/0, being that, the statistical analysis indicated better performance for network 2. In all the tests the three networks offered more precise responses in lower temperatures (10, 20 e 25QC) and for products with higher solid contents. For network 3 tests for formulation of pilot scale production margarine and spreads were also done with results similar to those of products made by the industry according to its methods. The results obtained demonstrated great potential of utilization of the neural networks as an alternative to conventional formulation procedures. / Doutorado / Doutor em Tecnologia de Alimentos
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/256094 |
| Date | 21 October 1997 |
| Creators | Block, Jane Mara |
| Contributors | UNIVERSIDADE ESTADUAL DE CAMPINAS, Barrera Arellano, Daniel, 1953-, Gomide, Fernando, Quijano, Jose Anibal Trujillo, Gioielli, Luis Antonio, Ferrari, Roseli Aparecida |
| Publisher | [s.n.], Universidade Estadual de Campinas. Faculdade de Engenharia de Alimentos, Programa de Pós-Graduação em Tecnologia de Alimentos |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 146f., application/pdf |
| Source | reponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0043 seconds