Resumen de Prediction by Artificial Neural Networks (ANN) of the diffusivity, mass, moisture, volume and solids on osmotically dehydrated yacon (Smallantus sonchifolius)

Julio Rojas Naccha, Víctor Vásquez Villalobos

• español

  Se evaluó la capacidad predictiva de la Red Neuronal Artificial (RNA) en el efecto de la concentración (30, 40, 50 y 60 % p/p) y temperatura (30, 40 y 50°C) de la solución de fructooligosacaridos (FOS) en la masa, humedad, volumen y sólidos en cubos de yacón osmodeshidratados, y en el coeficiente de difusividad efectiva media del agua, con y sin encogimiento. Se aplicó la RNA del tipo Feedforward con los algoritmos de entrenamiento Backpropagation y de ajuste de pesos Levenberg-Marquardt, usando la topología: error meta de 10-5, tasa de aprendizaje de 0.01, coeficiente de momento de 0.5, 2 neuronas de entrada, 6 neuronas de salida, una capa oculta con 18 neuronas, 15 etapas de entrenamiento y funciones de transferencia logsig-purelin. El error promedio global por la RNA fue 3.44% y los coeficientes de correlación fueron mayores a 0.9. No se encontraron diferencias significativas entre los valores experimentales con los valores predichos por la RNA y con los valores predichos por un modelo estadístico de regresión polinomial de segundo orden (p > 0.95).

• English

  The predictive ability of Artificial Neural Network (ANN) on the effect of the concentration (30, 40, 50 y 60 % w/w) and temperature (30, 40 y 50°C) of fructooligosaccharides solution, in the mass, moisture, volume and solids of osmodehydrated yacon cubes, and in the coefficients of the water means effective diffusivity with and without shrinkage was evaluated. The Feedforward type ANN with the Backpropagation training algorithms and the Levenberg-Marquardt weight adjustment was applied, using the following topology: 10-5 goal error, 0.01 learning rate, 0.5 moment coefficient, 2 input neurons, 6 output neurons, one hidden layer with 18 neurons, 15 training stages and logsig-pureline transfer functions. The overall average error achieved by the ANN was 3.44% and correlation coefficients were bigger than 0.9. No significant differences were found between the experimental values and the predicted values achieved by the ANN and with the predicted values achieved by a statistical model of second-order polynomial regression (p > 0.95). DOI: 10.17268/sci.agropecu.2012.03.02