Compartir
Título
Modelado de un fermentador mediante redes neuronales
Autor(es)
Materia
Procesos biotecnológicos
Fermentadores
Fermenter
Engineering models
Biotechnological process
Neural networks (Computer science)
Materia USAL
Modelos técnicos
Redes neuronales (Informática)
Fecha de publicación
2002-03
Editor
Universidad de Salamanca (España). Departamento de Informática y Automática
Citación
Francisco Sutil, M., y Vega Cruz, P. I. (2002). "Modelado de un fermentador mediante redes neuronales, Informe técnico DPTOIA-IT-2002-005". Salamanca : Universidad de Salamanca.
Resumen
En este trabajo se han desarrollado algunos métodos avanzados para modelar un fermentadordedicado a la producción de levaduras. En primer lugar, se describe el proceso y su modelomatemático, explicando las razones que hacen necesario el uso de nuevas técnicas. En segundolugar, se utiliza una red neuronal en el espacio de estados (RNEE) para modelar el procesoglobalmente, dando buenos resultados para datos de validación típicos. Posteriormente se hautilizado otra técnica distinta consistente en considerar múltiples modelos lineales locales, en lacual se han estudiado dos métodos para identificar estos modelos lineales locales. En el primerose entrena una RNEE lineal para cada uno de los modelos locales, y en el segundo se linealiza elmodelo global obtenido mediante la RNEE alrededor de los puntos donde están colocados losmodelos locales. Ambos métodos dan buenos resultados, aunque el comportamiento delsegundo es mejor debido a la robustez del modelo RNEE global. In this work, some advanced methods have been developed to model a fermenter for baker syeast production. Firstly, the process and its mathematical model are described, explaining thereasons that make necessary the use of new techniques. Secondly, a state space neural network(SSNN) is used to model the process globally, giving good results for typical validation data.Then, a linear local modelling approach is presented, and two methods are considered toidentify this local models. The first one allows to train a linear SSNN for every local model, andthe second one allows to linearize the global model obtained with the SSNN around the pointswhere local models are placed. Both methods give good results, but the accuracy of the secondis better due to the robustness of the SSNN global model.
URI
Colecciones