Estudo da viabilidade de uso de redes neurais artificiais para a predição do rendimento da fermentação alcoólica

• Ano de defesa: 2012
• Autor(a) principal: Amgarten, Ederson Luis
• Orientador(a): León, José Rodríguez
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Positivo
• Programa de Pós-Graduação: Programa de Pós-Graduação em Biotecnologia Industrial
• Departamento: Pós-Graduação
• País: Brasil
• Palavras-chave em Português: Fermentação alcoólica; Rendimento de fermentação; Modelo neuronal perceptron de multicamadas
• Área do conhecimento CNPq: CNPQ::CIENCIAS BIOLOGICAS::BIOLOGIA GERAL
• Link de acesso: https://repositorio.cruzeirodosul.edu.br/handle/123456789/2560

O uso de etanol como combustível é explorado no Brasil como aditivo para a gasolina desde 1931 quando seu foi oficialmente regulamentado, e a partir de 1975, com o programa PROÁLCOOL. Atualmente a importância da produção de etanol se justifica pelo seu caráter renovável, por suas vantagens ambientais e econômicas como substituto de combustíveis fósseis. Somente nos últimos 30 anos, de uso de etanol como combustível, o país economizou mais de um bilhão de barris de petróleo. O crescente interesse mundial em produzir fontes de energia renováveis impulsiona o desenvolvimento de novas tecnologias a fim de aperfeiçoar os processos produtivos diminuindo as perdas inerentes no processo o que permitirá produzir mais sem necessariamente elevar às áreas de plantio de cana, antes reservadas a produção de alimentos. Têm-se nos modernos sistemas computacionais disponíveis hoje um forte aliado na busca desse aperfeiçoamento. O trabalho aqui proposto apresenta a utilização de redes neurais artificiais na construção de um modelo matemático preditor do rendimento de fermentação. As entradas utilizadas no modelo foram selecionadas pelo método estatístico de correlação linear a partir de uma série de parâmetros monitorados em usinas de produção de etanol e açúcar. Uma análise teórica baseada em informações fornecidas por outros autores foi necessária para confirmação dos resultados estatísticos. Finalmente os parâmetros escolhidos foram testadas em três diferentes combinações dentro de uma rede neural perceptron de múltiplas camadas (MLPMult Layer Perceptron) e os resultados apresentados e comentados neste trabalho.