Microfiltração de Escoamento Cruzado de Suspensões Aquosas com Gomas Guar e Xantana: Identificação de Soluções Utilizando Redes Neurais Artificiais
Palavras-chave:
Redes neurais artificiais, Microfiltração de fluxo cruzado, Xantana, GuarResumo
Redes Neurais Artificiais (RNAs) são modelos matemáticos usados na área computacional que agem de forma análoga ao sistema nervoso central de seres vivos, possuindo a capacidade de adquirir conhecimento por meio de uma técnica chamada aprendizado de máquina, o que lhes permite reconhecer padrões e ser usadas em inúmeras aplicações. Sendo assim, o objetivo foi desenvolver RNAs capazes de identificar suspensões aquosas com as gomas Guar e Xantana (muito utilizadas na indústria alimentícia) durante o processo de microfiltração de escoamento cruzado. As RNAs foram treinadas nos algoritmos de aprendizado supervisionado trainscg, trainlm e traingd, todas no modelo 70/15/15, para um intervalo de cinco a quinze neurônios na camada oculta, cujos conjuntos de dados foram encontrados na literatura, referentes à temperatura, velocidade de escoamento, pressão, taxa de escoamento transmembrana, tempo e tamanho dos poros da membrana. O software utilizado para implementação das RNAs foi o MATLAB e os critérios de avaliação consistiram na análise dos parâmetros matriz de confusão, histograma de erro, desempenho e curva ROC. Em resumo, dez RNAs apresentaram desempenhos satisfatórios, apresentando matrizes de confusão com acurácias acima de 98,8%, gráficos de histograma de erros sendo gaussianas centradas em 0, curvas de desempenho decaindo com critério de parada igual a 6 erros no conjunto de validação e gráficos ROC parecidos com um quadrado com vértices em (0,0), (1,0), (0,1) e (1,1), resultados considerados satisfatórios na literatura.
Referências
Barros, V. (2018). Avaliaç˜ao do desempenho de algoritmos de retropropagaçao com redes neurais artificiais para a resoluçao de problemas n˜ao-lineares. [Master’s thesis, Federal Technological University of Paran´a]. Postgraduate in Science Computing.
Belfort, G., Davis, R., & Zydney, A. (1994). The behavior of suspensions and macromolecular solutions in crossflow microfiltration. Journal of Membrane Science, 96(1-2), 1–58. DOI: https://doi.org/10.1016/0376-7388(94)00119-7
Borges, C. D. & Tondo, C. V. (2008). Xanthan gum: Characteristics and operational conditions of production. Semina: Ciˆencias Biol´ogicas e Da Sa´ude, 29(2), 171–188. DOI: https://doi.org/10.5433/1679-0367.2008v29n2p171
Casta˜neda Ovando, A., Gonz´alez-Aguilar, L. A., Granados-Delgadillo, M. A., & Ch´avez-G´omez, U. J. (2020). Goma guar: un aliado en la industria alimentaria. P¨adi Bolet´ın Cient´ıfico de Ciencias B´asicas e Ingenier´ıas Del ICBI, 7(14), 107–111. DOI: https://doi.org/10.29057/icbi.v7i14.4988
Chen, T., Kapron, N., & Chen, J. C.-Y. (2020). Using evolving ann-based algorithm models for accurate meteorological forecasting applications in vietnam. Mathematical Problems in Engineering, 1–8. DOI: https://doi.org/10.1155/2020/8179652
Chew, J. W., Kilduff, J., & Belfort, G. (2020). The behavior of suspensions and macromolecular solutions in crossflow microfiltration: An update. Journal of Membrane Science, 601, 117865. DOI: https://doi.org/10.1016/j.memsci.2020.117865
Cust´odio, C. A., Filletti, ´ E. R., & Franc¸a, V. v. (2019). Artificial neural networks for density-functional optimizations in fermionic systems. Scientific Reports, 9(1). DOI: https://doi.org/10.1038/s41598-018-37999-1
Filletti, ´ E. R. (2007). Desenvolvimento de modelos neurais para o processamento de sinais ac´usticos visando a medic¸ ˜ao de propriedades topol´ogicas em escoamentos multif´asicos. [PhD thesis].
Filletti, ´ E. R., & Seleghim Jr, P. (2010). Nonintrusive measurement of interfacial area and volumetric fraction in dispersed two-phase flows using a neural network to process acoustic signals—a numerical investigation. [Journal article - Please provide journal name, volume, and page numbers for complete reference]
Gul, M., Kalam, M. A., Mujtaba, M. A., Alam, S., Bashir, M. N., Javed, I., Aziz, U., Farid, M. R., Hassan, M. T., & Iqbal, S. (2020). Multi-objective-optimization of process parameters of industrial-gas-turbine fueled with natural gas by using grey-taguchi and ann methods for better performance. Energy Reports, 6, 2394–2402. DOI: https://doi.org/10.1016/j.egyr.2020.08.002
Hube, S., Jokić, A., W., Sim, L. N., O´ lafsdo´ttir, D., Chong, T. H., & Wu, B. (2021). Fouling and mitigation mechanisms during direct microfiltration and ultrafiltration of primary wastewater. Journal of Water Process Engineering, 44, 102331. DOI: https://doi.org/10.1016/j.jwpe.2021.102331
Joki´c, A., Pajˇcin, I., Grahovac, J., Luki´c, N., Ikoni´c, B., Nikoli´c, N., & Vlajkov, V. (2020). Dynamic modeling using artificial neural network of bacillus velezensis broth cross-flow microfiltration enhanced by air-sparging and turbulence promoter. Membranes, 10(12), 1–14. DOI: https://doi.org/10.3390/membranes10120372
Kürzl, C., Tran, T., & Kulozik, U. (2022). Application of a pulsed crossflow to improve chemical cleaning efficiency in hollow fibre membranes following skim milk microfiltration. Separation and Purification Technology, 302, 122123. DOI: https://doi.org/10.1016/j.seppur.2022.122123
Møller, M. F. (1993). A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks, 6(4), 525–533. DOI: https://doi.org/10.1016/S0893-6080(05)80056-5
Mykhailichenko, I., Ivashchenko, H., Barkovska, O., & Liashenko, O. (2022). Application of deep neural network for real-time voice command recognition. In 2022 IEEE 3rd KhPIWeek on Advanced Technology (KhPIWeek), pages 1–4. DOI: https://doi.org/10.1109/KhPIWeek57572.2022.9916473
Proni, C., Haneda, R. N., & Filletti, E. R. (2020). Desenvolvimento de redes neurais artificiais para an´alise do fluxo de permeado de uma bebida `a base de ac¸a´ı no processo de microfiltrac¸ ˜ao tangencial. C.Q.D.- Revista Eletrˆonica Paulista de Matem´atica, 17, 189–205. DOI: https://doi.org/10.21167/cqdvol17ermac202023169664cprnherf189205
Queiroz, V. M. S. (2004). Estudo experimental do escoamento e da concentrac¸ ˜ao de mistura no processo de filtrac¸ ˜ao tangencial de suspens˜oes macromoleculares. [PhD thesis].
Sekuli´c, Z., Antanasijevi´c, D., Stevanovi´c, S., & Trivunac, K. (2017). Application of artificial neural networks for estimating cd, zn, pb removal efficiency from wastewater using complexation-microfiltration process. International Journal of Environmental Science and Technology, 14(7), 1383–1396. DOI: https://doi.org/10.1007/s13762-017-1248-8
Viktoratos, I. & Tsadiras, A. (2021). Personalized advertising computational techniques: A systematic literature review, findings, and a design framework. Information, 12(11), 480. DOI: https://doi.org/10.3390/info12110480
Wang, G., Tan, G. W.-H., Yuan, Y., Ooi, K.-B., & Dwivedi, Y. K. (2022). Revisiting tam2 in behavioral targeting advertising: A deep learning-based dual-stage sem-ann analysis. Technological Forecasting and Social Change, 175, 121–345. DOI: https://doi.org/10.1016/j.techfore.2021.121345
Publicado
Como Citar
Edição
Seção
Copyright (c) 2024 Matheus Nonis Passerini, Érica Regina Filletti
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Engineering & Technology Scientific Journal é licenciada sob Creative Commons Attribution-NonCommercial 4.0 International License.
Isenção de responsabilidade: os artigos publicados pela Engineering & Technology Scientific Journal foram pré-visualizados e autenticados pelos autores antes da publicação. A Revista, o Editor e o Conselho Editorial não têm o direito ou responsabilidade de justificar ou ser responsáveis por dados imprecisos e enganosos, se houver. É da exclusiva responsabilidade do Autor em questão. Leia nossa Política de Plágio e o uso deste site significa que você concorda com os Termos de Uso.
