Resumen de Estimación de la eficiencia productiva en la extracción de aceite esencial a partir de la cáscara de la naranja mediante redes neuronales

Sandra Elvira Fajardo Muñoz, Anthony Josue Freire Castro, Michael Isaac Mejía Garzón

• español

  En este trabajo, se utilizó una Red Neuronal Artificial (RNA) feedforward con 9 capas ocultas y algoritmos de entrenamiento backpropagation (BP) y de ajuste de pesos Levenberg- Marquardt (LM) para la predicción del rendimiento de extracción de aceite a partir de la cáscara de naranja (Citrus sinensis), para el entrenamiento y validación, se emplearon los datos en cantidad de carga en gramos como variable de entrada y el rendimiento de aceite en porcentaje como variable de salida, los cuales se obtuvieron en la técnica de destilación por arrastre de vapor usando la trampa Clevenger. Se estudiaron distintas arquitecturas variando el número de neuronas en la capa oculta, encontrando que la RNA con 9 neuronas brindaba el mejor ajuste de los datos experimentales, lo que indica mayor eficacia y exactitud frente a las otras arquitecturas analizadas. Con respecto a los datos experimentales, se evaluó el error cuadrado medio porcentual (ECM%) y el coeficiente de determinación , encontrándose para la RNA valores de ECM%=0.0040 y =0,9929, comprobando que la hipótesis de investigación es verdadera. Estos resultados muestran la eficacia y potencialidad del uso de las redes neuronales para el modelado y predicción del rendimiento de extracción de aceite de naranja dentro del dominio de los datos de entrenamiento.

• English

  In this work, a feedforward Artificial Neural Network (ANN) with 9 hidden layers and backpropagation (BP) training algorithms and Levenberg-Marquardt (LM) weight adjustment algorithms were used for the prediction of oil extraction yield from the orange peel (Citrus sinensis), For training and validation, data were used in the amount of load in grams as an input variable and the oil yield in percentage as an output variable, which were obtained in the distillation technique by steam entrainment using the Clevenger trap. Different architectures were studied by varying the number of neurons in the hidden layer, finding that the ANN with 9 neurons provided the best fit of the experimental data, which indicates greater efficiency and accuracy compared to the other architectures analyzed. Regarding the experimental data, the percentage mean square error (MSE%) and the determination coefficient , were evaluated, finding for the ANN values ​​of MSE%=0.0040 and =0.9929, proving that the hypothesis research is true. These results show the efficacy and potential of using neural networks for modeling and prediction of orange oil extraction performance within the domain of training data.